一个基于深度学习的帕奇科罗伊德指数,基于使用增强深度成像光学连贯断层扫描的中枢血清性胆色素变异的胆色素图像模式

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:

• 中央血清性胆色素变异症 (CSC) 是一种属于胆色素类疾病范围内的疾病.
• 准确识别帕奇科罗伊德特征对于诊断和管理至关重要.
• 目前的诊断方法可能无法完全捕捉帕奇科罗伊德病的复杂成像模式.

研究的目的:

• 为了开发一种基于深度学习的程序,北海道大学帕奇科罗伊德指数 (HUPI).
• 通过增强深度成像光学连贯断层扫描 (EDI-OCT) 数据,评估HUPI在识别大胆子谱系疾病方面的有效性.
• 建立HUPI作为一种代表性指标,用于帕奇科罗伊德病.

主要方法:

• 一个经过修改的LeNet深度学习模型在EDI-OCT扫描中的胸腔图像上进行了训练和验证.
• HUPI是作为一个定量指数 (0-1) 生成的,该指数代表着类似于松鼠的特征,不包括下液 (SRF) 信息.
• 通过将其曲线下的面积 (AUC) 与CSC和正常眼睛队列中的常规胆道指数进行比较,评估了HUPI的辨别能力.

主要成果:

• 在HUPI中,HUPI表现出在急性CSC和正常眼睛之间进行区分的能力很高,AUC为0.86.
• HUPI的表现优于传统的指数,例如光线与总胆道面积的比率 (0.77),中央胆道厚度 (0.76) 和总胆道面积 (0.75).
• 计算的HUPI值显示正常,急性CSC,康复性CSC和同眼之间存在显著差异,切断值为0.66,提供84%的灵敏度和77%的特异性.

结论:

• 北海道大学的脑指数 (HUPI) 有效地量化了暗示脑的成像模式.
• HUPI表现出强大的能力,可以从正常的眼睛发现中区分帕奇科罗伊德特征.
• 这种深度学习衍生索引显示,它可以作为一种有价值的工具来诊断心脏病谱系疾病.