基于机器学习的方法,使用光学连贯性断层扫描来检测毛细血管停滞
Joshua Assi1, Sabina Stefan2, Rockwell Tang3
1Department of Neuroscience, Brown University, Providence, Rhode Island 02912, USA.
Biomedical optics express
|March 2, 2026
概括
一个新的计算工具使用光学连贯断层扫描血管学 (OCTA) 数据准确量化神经疾病中的毛细血管停滞. 这个开源软件提高了效率,并揭示了停滞的毛细血管的新型形态模式.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 毛细血管停滞是神经疾病模型中的一个关键因素.
- 目前用于毛细血管停滞的量化方法耗时且容易出现错误.
- 现有的方法可能无法充分利用3D OCTA数据.
研究的目的:
- 开发一种自动化的计算方法来量化毛细血管滞滞.
- 为了提高毛细血管失败分析的准确性和效率.
- 为了研究停滞的毛细血管的形态特征.
主要方法:
- 开发了一个支持向量机 (SVM) 分类器,使用来自时间序列OCTA数据的工程特征.
- 使用四重交叉验证验证了SVM分类器.
- 将计算工具的性能与专家注释进行了比较.
主要成果:
- 该SVM分类器实现了高性能,ROC AUC为0.978和PR AUC为0.700.
- 每个数据集的注释时间从1小时减少到22分钟.
- 该工具发现了比专家注释更多的26%的停滞细分,显示了停滞细分的直径更小,扭曲度增加和长度更大.
结论:
- 开发的计算工具显著提高了毛细血管失败量化的效率和准确性.
- 该工具有助于发现与毛细血管停滞相关的形态模式.
- 这个开源软件支持进一步研究神经系统疾病和毛细血管动态.
