在基于深度学习的视网膜色素炎患者中检测囊性黄斑

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:

• 囊性黄斑 (CME) 是视网膜色素炎 (RP) 视力丧失的主要原因.
• 准确诊断CME对于管理RP患者至关重要.

研究的目的:

• 开发和评估深度学习 (DL) 模型,以使用光学连贯性断层扫描 (OCT) 图像检测RP患者的CME.
• 为了比较预训练和未预训练的ResNet模型对CME检测的性能.

主要方法:

• 分析了来自296名RP患者的1,318个OCT扫描数据集.
• 使用ResNet-34和ResNet-18架构来检测CME.
• 模型性能使用准确度,F1分数和ROC进行评估,火车测试分为80:20.

主要成果:

• 预训练的ResNet-34实现了99.25%的准确性,99.26%的F1得分和99%的ROC.
• 没有预训练的ResNet-34实现了80.64%的准确性,83.88%的F1得分和80%的ROC.
• 预训练的模型在CME检测方面明显优于未经预训练的模型.

结论:

• 这项研究证明了DL算法的有效性,特别是预训练的ResNet模型,用于诊断RP患者的CME.
• 这些发现突出了这些模型在支持远程医疗保健和改善CME管理方面的潜力.
• 这项研究代表了DL在RP中使用OCT成像进行CME诊断的首次应用.