视网膜神经纤维的自动算法辅助细分使用 fundus 照片

科学领域:

• 眼科和医学成像学
• 计算生物学和图像分析

背景情况:

• 精确地绘制视网膜神经纤维层 (RNFL) 束轨迹对于诊断和监测各种眼部疾病至关重要.
• 现有的方法可能缺乏精度或与个体解剖学变异作斗争.

研究的目的:

• 开发和验证一种图像处理算法,用于对视网膜神经纤维层 (RNFL) 捆绑轨迹的个性化细分和映射.
• 评估算法的准确性和效率,在多种 fundus 图像中追踪 RNFL 纤维.

主要方法:

• 预处理以减少噪音和移除容器.
• 应用最大-最小调制算法来隔离视网膜神经纤维 (RNF) 分段.
• 使用修改的Garway-Heath地图来对方向进行分类,并使用Bezier曲线来适应轨迹.
• 测试来自五个数据库的300张 fundus 图像,包括健康和糖尿病患者.

主要成果:

• 与Jansonius地图相比,该算法在追踪RNFL轨迹方面实现了97.44%的平均效率.
• 在低分辨率图像上表现出良好的性能,并提供准确的定向角度测量 (平均差异为11.01 ± 1.25°).
• 建立了RNFL轨迹和视觉现场测试点之间的相关性,光学参数对特定区域有重大影响.

结论:

• 开发的算法使用可访问的生物识别数据提供了RNFL捆绑轨迹的准确,个性化的映射.
• 这种工具有可能通过基于独特的解剖特征来区分纤维,提高眼科诊断能力.
• 这些发现凸显了该算法的研究和临床环境中的实用性,用于详细的视网膜分析.