基于 Peripapillary Nerve Fiber Layer Reflectance 和其他 OCT 参数的全角生物医学图像中视觉性青光眼的混合深度学习分类
图像与视频处理
2024-06-07 v1 机器学习
定量方法
摘要
Precis: 混合深度学习模型结合 NFL 反射率和其他 OCT 参数以提高青光眼诊断。Objective: 探讨深度学习模型能否用于结合神经纤维层 (NFL) 反射率和其他 OCT 参数进行青光眼诊断。Patients and Methods: 这是一项前瞻性观察性研究，收录 106 名正常受者和 164 名视程性青光眼 (PG) 患者。使用频域散射 OCT 获得 Peripapillary NFL 反射率图、NFL 厚度图、视盘头部分析以及黄体视神经节细胞复合厚度。将一种混合深度学习模型结合全连接网络 (FCN) 和卷积神经网络 (CNN) 以发展并整合这些 OCT 图和参数，以区分正常和 PG 眼。比较两种深度学习模型，基于是否将 NFL 反射率图作为输入。Results: 采用反射率的混合深度学习模型在 99% 特异度下实现 0.909 的灵敏度，在 95% 特异度下实现 0.926。总体准确率为 0.948，灵敏度为 0.893，特异度为 1.000，AROC 为 0.979，显著优于 Logistic 回归模型 (p < 0.001)。第二好的模型是不含反射率的混合深度学习模型，其 AROC 也显著高于 Logistic 回归模型 (p < 0.001)。带反射率的 Logistic 回归模型在 AROC 或灵敏度上略高于不含反射率的 Logistic 回归模型 (p = 0.024)。Conclusions: 混合深度学习模型显著提高了诊断准确性，无论是否包含 NFL 反射率。混合深度学习模型，结合反射率/NFL 厚度/GCC 厚度/ONH 参数，可能是用于眼底筛查的实用模型。
引用
@article{arxiv.2406.03663,
title = {A Hybrid Deep Learning Classification of Perimetric Glaucoma Using Peripapillary Nerve Fiber Layer Reflectance and Other OCT Parameters from Three Anatomy Regions},
author = {Ou Tan and David S. Greenfield and Brian A. Francis and Rohit Varma and Joel S. Schuman and David Huang and Dongseok Choi},
journal= {arXiv preprint arXiv:2406.03663},
year = {2024}
}
备注
12 pages