相关实验视频
Updated: Jul 15, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.4K
基于深度学习的自动视网膜层细分算法的验证,用于与年龄相关的黄斑退化,使用2种光谱域OCT设备
Souvick Mukherjee1, Tharindu De Silva2, Cameron Duic1
1Clinical Trials Branch, Division of Epidemiology & Clinical Applications, National Eye Institute, National Institutes of Health, Bethesda, Maryland.
Ophthalmology science
|March 17, 2025
概括
视网膜层细分的深度学习模型在不同的OCT设备中显示出强大的性能,即使没有设备特定的训练数据,也可以对像AMD这样的视网膜疾病进行准确的分析.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在光谱域OCT (SD-OCT) 中视网膜层细分对于诊断和监测视网膜疾病至关重要,包括与年龄相关的黄斑变性 (AMD).
- 深度学习模型需要专家注释的实地真相数据进行培训,这一过程耗时且限制了在各种OCT设备上广泛采用算法.
- 这项研究解决了将深度学习细分模型应用于多种OCT设备的挑战.
研究的目的:
- 通过多个OCT设备验证深度学习图像细分模型的稳定性.
- 评估训练有素的模型能够产生与视网膜病理有关的临床相关指标的能力.
- 为了评估最先进的细分算法对设备的独立性.
主要方法:
- 训练了两个分段算法 (UNet和DeepLabv3),使用来自海德堡-Spectralis设备的SD-OCT图像.
- 在从海德堡-Spectralis 和 Zeiss-Cirrus 设备获得的 SD-OCT 图像上测试训练模型.
- 评估性能使用指标,如平均平方误差,平均绝对误差 (MAE) 和子系数在一个数据集跨越健康到高级的AMD条件.
主要成果:
- 在一个OCT设备 (Spectralis) 上训练的细分模型在应用到另一个设备 (Cirrus) 的数据时取得了临床有用的结果.
- 内部限制膜 (ILM) 分段的平均绝对误差 (MAE) 为7.0 ± 0.9微米,视网膜色素表皮 (RPE) 为9.5 ± 2.6微米.
- 对于RPE德鲁森复合区的Dice相似系数达到0.87±0.01,表明预测和地面真相细分之间的高度一致.
结论:
- 分段网络可以从大型数据集中学习域独立的特征,允许在有限的基准真相数据领域应用.
- 经过验证的深度学习模型表明,在不同的OCT设备上,可靠的视网膜层细分具有潜力.
- 这种方法有助于人工智能在眼科中更广泛地用于疾病分析和管理.
