深度学习模型用于检测X链联视网膜分裂患者的光学连贯性断层扫描上的囊体液收集
Jonathan Hensman1, Yasmine El Allali1, Hind Almushattat1
1Department of Ophthalmology, Amsterdam University Medical Centre, Amsterdam, the Netherlands.
Acta ophthalmologica
|April 5, 2025
概括
一种深度学习 (DL) 模型使用光谱域光学连贯断层扫描 (SD-OCT) 准确地检测和量化X连接视网膜分裂 (XLRS) 患者的囊体液收集 (CFC). 虽然该模型是有效的,但它倾向于高估CFC,需要在未来进行改进.
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:
- 与X相关的视网膜分裂症 (XLRS) 是一种影响视力的遗传疾病.
- 精确监测囊流体收集 (CFC) 对于管理XLRS.至关重要.
- 光谱域光学连贯性断层扫描 (SD-OCT) 是视网膜疾病的关键成像方式.
研究的目的:
- 验证一个深度学习 (DL) 框架,用于在XLRS患者中检测和量化SD-OCT上的CFC.
- 评估DL模型与人类分级器的性能.
主要方法:
- 一个没有新的U-NetDL模型被训练并使用112个OCT卷进行内部测试.
- 外部验证使用了20名XLRS患者的37个SD-OCT扫描.
- 绩效使用Dice和课内相关系数 (ICC) 评分进行评估.
主要成果:
- 该DL模型获得了高的子得分 (0.886-0.936) 和ICC得分 (0.945-0.964),相当于人类的分级器.
- 模型的性能略低于人类评分器,但表现出强烈的一致性.
- 发现DL模型对CFC进行了系统的高估.
结论:
- 经过验证的DL模型显示了XLRS中精确的CFC细分和定量化的潜力.
- 这一框架可以帮助可靠地监测XLRS患者的结构变化.
- 需要进一步细化,以解决观察到的高估偏差.


