在糖尿病视网膜病变中使用广场OCTA进行视网膜非 perfusion 和 foveal 无血管区分析的深度学习
相关实验视频
Updated: May 5, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.8K
Hugo Le Boité1,2,3,4, Sophie Bonnin5, Mathias Gallardo5
1Université Paris Cité, Paris, France. hugo.leboite@gmail.com.
Scientific reports
|August 18, 2025
概括
一个AI框架自动化了OCTA图像中低质量和非 perfusion 区域的细分,用于糖尿病视网膜病变 (DR) 监测. 这种工具可靠地计算关键生物标志物,如视网膜非 perfusion 指数 (NPI) 和叶无血管区 (FAZ) 面积.
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) 的监测需要准确评估视网膜非 perfusion 和叶无血管区 (FAZ) 的区域.
- 目前用于分析光连贯断层扫描血管造影 (OCTA) 图像的方法可能耗时且主观.
研究的目的:
- 开发和验证一个自动化的AI框架,以在广场OCTA图像中对低质量和非 perfusion 区域进行细分.
- 为了能够精确计算视网膜非 perfusion 指数 (NPI) 和FAZ区域的DR评估.
主要方法:
- 两个深度学习模型,Q-NET和NPA-NET,在来自EVIRED队列的170个OCTA图像上进行了训练.
- Q-NET识别了低质量的区域,而NPA-NET检测了非 perfusion 区域和FAZ.
- 为了计算NPI和FAZ区域,生成了4个类的组合地图,通过专家或共识注释建立了基础真相.
主要成果:
- 这些模型在测试图像上表现出强大的细分性能,Dice系数为0.714 (低质量),0.781 (非 perfusion) 和0.879 (FAZ).
- 对NPI (R2=0.97) 和FAZ区域 (R2=0.63) 实现了高预测精度,偏差最小.
- 量化了注释者间的变化,为模型性能评估提供了背景.
结论:
- 开发的AI工具为使用OCTA图像进行DR监测提供了可靠的,自动化的生物标志物.
- 该框架通过提供客观的NPI和FAZ测量来支持临床决策.
- 该系统有可能被整合到临床实践中,以实现有效的DR管理.

