开发和验证3D深度学习系统,用于对光学相干断层扫描图像的糖尿病黄斑的分类
Huishan Zhu1, Jie Ji2, Jian-Wei Lin1
1Joint Shantou International Eye Center of Shantou University and The Chinese University of Hong Kong, Shantou, China.
BMJ open
|May 31, 2025
概括
这项研究开发了一种自动化的深度学习系统,用于使用3D OCT图像对糖尿病黄斑 (DME) 进行分类. 该系统在以人口为基础的查中表现出高准确度,与专家可比.
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:
- 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 准确及时对DME进行分类对于有效的治疗和管理至关重要.
- 当前的分类方法可能是耗时和主观的.
研究的目的:
- 开发和验证糖尿病黄斑 (DME) 的自动分类系统.
- 为了利用三维光学连贯断层扫描 (3-D OCT) 成像用于DME分类.
- 对人类专家进行深度学习 (DL) 算法的性能评估.
主要方法:
- 一项多中心研究,使用3D OCT设备的回顾性和横截面数据.
- 开发用于DME分类的3D卷积神经网络算法.
- 数据分为没有DME,非中心参与的DME和中心参与的DME (CI-DME).
- 与视网膜专家进行DL模型性能比较.
主要成果:
- DL系统在DME分类方面取得了很高的准确性,非DME分类的AUROC达到0.990和CI-DME分类在外部验证数据上的0.881.
- 该系统的性能与视网膜专家的性能相当,科恩的卡帕值为0.85和0.75.
- 该模型在区分不同类别的DME时表现出强的表现.
结论:
- 开发的深度学习系统使用3D OCT图像准确地分类糖尿病黄斑.
- 该自动化系统显示了在基于人口的DME查中应用的潜力.
- 这项技术可以帮助有效和客观的DME诊断.
更多相关视频
07:18Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
1.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
