基于深度学习的视网膜硬体排泄物光学连贯性断层扫描的量化.
Chang Ki Yoon1, Hyung Woo Lee2, Hyun Woong Kim3
1Department of Ophthalmology, College of Medicine, Seoul National University, Seoul, Republic of Korea.
International journal of retina and vitreous
|October 17, 2025
概括
一个深度学习模型在光学连贯断层扫描中准确地细分视网膜硬排泄物. 这种先进的方法提供了详细的3D结构信息,以改善可视化和量化.
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:
- 视网膜硬液 (HE) 是各种视网膜疾病的指标.
- 精确的HE细分对于诊断和监测至关重要.
- 当前的成像方法可能缺乏详细的结构信息.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于从光学连贯断层扫描 (OCT) 扫描中对视网膜硬排液 (HE) 进行细分.
- 评估模型在细分和体积预测中的准确性.
- 将模型的可视化能力与传统的成像技术进行比较.
主要方法:
- 修改后的U-Net架构用于OCT B扫描上的HE细分.
- 该模型在1,811个OCT扫描中训练了患有糖尿病视网膜病变或分支视网膜静脉闭塞的患者.
- 使用子系数和精度来评估性能; 预测与手动测量进行了比较.
主要成果:
- DL模型在测试组中实现了0.721的Dice系数和99.9%的准确性.
- 在预测和手动测量的HE体积和面积之间发现了中等的相关性 (R=0.589,R=0.618).
- 产生的2D投影图像与基底照片相比,提供了优越的结构细节.
结论:
- 开发的DL模型从OCT扫描中准确地细分了视网膜HE.
- 它提供了体积数据,并增强了水平和垂直结构信息.
- 与传统的二维成像相比,这种方法可以改善可视化和量化.
