在糖尿病视网膜病的自动化非 perfusion 量化在超宽场扫描源 OCT 血管学上.
Tai Yong Loh1, Juling Sia1, Wei Hing Seah2
1Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore.
Ophthalmology science
|February 18, 2026
概括
一个新的深度学习算法在超宽场扫描源OCTA (UWF SS-OCTA) 图像中准确地细分非 perfusion 区域 (NPA),帮助评估糖尿病视网膜病变 (DR) 的严重程度. 这项技术在DR中对客观生物标志物分析具有前景.
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) 是导致视力丧失的主要原因.
- 准确评估非 perfusion 区域 (NPA) 对于DR分期至关重要.
- 超广场扫描源光学连贯断层扫描血管学 (UWF SS-OCTA) 提供了详细的视网膜血管图像.
研究的目的:
- 开发和评估用于UWF SS-OCTA图像上的自动NPA细分的深度学习算法.
- 为了评估不同扫描大小的算法的性能.
- 确定算法在分级糖尿病视网膜病变严重程度的实用性.
主要方法:
- 一个卷积神经网络 (CNN) 与一个多规模的U-Net骨干和注意力机制被开发用于NPA细分.
- 该算法处理了来自6x6毫米,12x12毫米和29x24毫米扫描模式的面对面SS-OCTA图像.
- 专家评级人员确定了基本真相,并使用F1得分测量了细分精度. 非 perfusion 指数 (NPI) 协议通过布兰德-阿尔特曼分析进行了评估.
主要成果:
- 该算法在所有扫描尺寸 (0.82-0.84) 中实现了NPA细分的高F1得分.
- 算法衍生NPI显示强烈同意专家评级 (ICC>0.979).
- 人类和算法衍生的NPI都随着DR严重程度的增加,特别是在更大的扫描区域.
结论:
- 经过验证的深度学习算法准确地对UWF SS-OCTA上的NPA进行细分和量化.
- 该算法在各种扫描大小中展示了可扩展性.
- 这种工具有可能被纳入糖尿病视网膜病变的客观生物标志物分析中.
关键词:
自动图像分析自动化图像分析生物标志物 生物标志物卷积神经网络 (CNN) 是一种神经网络.深度学习是一种深度学习.糖尿病视网膜病变 - 糖尿病视网膜病变在眼科中,叶无血管区 (FAZ) 和人工智能.非 perfusion 区域 (NPA) 是一个非 perfusion 区域.不透指数 (NPI) 是指不透的指数.超广场扫描源光学连贯性断层扫描血管学 (UWF SS-OCTA)更多相关视频
07:18Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
2.2K
08:54Author Spotlight: Understanding Age-Related Macular Degeneration Pathophysiology with QAF Workflow
Published on: May 26, 2023
2.2K
