不透的视网膜毛细血管-一种在OCT和OCTA开发的新方法

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:

• 非透的视网膜毛细血管 (NPC) 是视网膜血管疾病的指标,如与年龄相关的黄斑变性 (AMD) 和糖尿病视网膜病变 (DR).
• 准确量化NPC对于了解疾病进展和开发有效治疗方法至关重要.
• 目前用于NPC评估的方法可能缺乏精度和效率.

研究的目的:

• 开发和验证一种基于深度学习的新算法,用于量化非透的视网膜毛细血管 (NPC).
• 评估这种方法在患有与年龄相关的黄斑变性 (AMD) 和糖尿病视网膜病变 (DR) 的眼睛中的有用性.

主要方法:

• 使用平均,注册的光学连贯性断层扫描 (OCT) /OCT血管造影 (OCTA) 扫描来创建高清量.
• 开发了一种深度学习算法,通过识别没有相应的流量信号的毛细血管来消除OCT/OCTA图像和细分NPC.
• 研究了量化NPC与AMD和DR确定的临床特征之间的相关性.

主要成果:

• 深度学习算法在NPC的细分中实现了88.2%的准确性,与DR的手动分级相比.
• 与健康对照人群相比,在AMD和DR眼睛中观察到NPC的平均数量和总长度显著增加 (P < 0.001).
• NPC与疾病严重性标志物有显著的相关性,包括AMD中的地理缩,新血管化,德鲁森体积和EAA,以及DR中的微动脉瘤和EAA.

结论:

• 一个深度学习算法有效地使用OCT/OCTA对非透的视网膜毛细血管进行细分和量化.
• 这种新的方法为评估疾病状况和潜在预测AMD和DR进展提供了有价值的生物标志物.