相关实验视频
Updated: Jun 14, 2026
10:46
Doppler Optical Coherence Tomography of Retinal Circulation
Published on: September 18, 2012
18.6K
在光学相干断层扫描 (OCT) 血管造影中,深度学习对周动脉和周静脉无毛细血管区域的细分
Mansour Abtahi1, Behrouz Ebrahimi1, Albert K Dadzie1
1University of Illinois Chicago, Department of Biomedical Engineering, Chicago, Illinois, United States.
Journal of biomedical optics
|May 9, 2025
概括
使用深度学习在光学连贯断层扫描血管学 (OCTA) 中进行毛细血管自由区 (CFZ) 的自动细分,有助于早期检测糖尿病视网膜病变 (DR). 定量CFZ特征显示,作为监测DR进展的生物标志物具有前途.
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:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因,需要早期检测和监测.
- 视网膜中微妙的微血管变化是DR的关键指标.
- 光学连贯断层扫描血管造影 (OCTA) 提供了视网膜血管系统的高分辨率成像.
研究的目的:
- 在OCTA图像中开发和评估深度学习模型,用于对周动脉和周静脉毛细血管自由区 (CFZ) 的自动细分.
- 评估从细分的CFZ中获得的定量特征,作为DR的潜在生物标志物.
- 调查自动化CFZ分析在区分健康对照组,没有DR的糖尿病和轻度DR的糖尿病之间的实用性.
主要方法:
- 使用了健康对照组的OCTA图像,没有DR (NoDR) 的糖尿病患者,以及轻度DR的糖尿病患者.
- 采用深度学习模型,包括UNet,UNet++,TransUNet和Segformer用于自动化CFZ细分.
- 提取了CFZ的定量特征,如比率,计数和分析的平均尺寸.
主要成果:
- 配合EfficientNet-b7的UNet++模型表现出卓越的性能,实现了86.48%的平均交叉与联合,以及89.87%的子系数.
- 在对照组,NoDR组和轻度DR组之间观察到CFZ指标的显著差异.
- 量化CFZ特征被证明是早期DR检测和监测的敏感指标.
结论:
- 深度学习模型是有效的自动化CFZ细分在OCTA.
- 量化CFZ指标可以作为DR的宝贵生物标志物.
- CFZ分析有助于推进视网膜疾病诊断和治疗监测.
