基于人工智能的儿童高度近视视网膜血管形态全自动分析
计算机视觉与模式识别
2024-10-01 v1
摘要
目的：通过设计基于人工智能模型的自动化软件，研究不同近视阶段相关的视网膜血管结构变化。方法：研究纳入了来自中国国家儿童医学中心的1324名儿童受试者，获取并分析了2366张高质量视网膜图像及相应的屈光参数。计算了等效球镜度数（SER）。我们提出了一种基于卷积神经网络（CNN）模型与注意力模块相结合的数据分析模型，用于图像分类、血管结构分割和血管参数测量，如主轴角（MA）、分支角（BA）、分叉边缘角（BEA）和分叉边缘系数（BEC）。采用单因素方差分析比较正常眼底、低度近视、中度近视和高度近视组之间的参数测量值。结果：正常组有279张（12.38%）图像，高度近视组有384张（16.23%）图像。与正常眼底相比，不同近视屈光组的眼底血管MA显著降低（分别为P = 0.006, P = 0.004, P = 0.019），其中静脉系统的表现尤为明显（P<0.001）。同时，BEC不成比例地降低（P<0.001）。对不同近视程度眼底血管参数的进一步分析显示，BA和分支系数（BC）也存在显著差异。高度近视组眼底血管的动脉BA值低于其他组（P：0.032，95%置信区间[CI]，0.22-4.86），而静脉BA值升高（P = 0.026）。高度近视组的BEC值高于低度和中度近视组。当我们的数据分类模型的损失函数收敛到0.09时，模型准确率达到94.19%。
引用
@article{arxiv.2409.20419,
title = {AI-Based Fully Automatic Analysis of Retinal Vascular Morphology in Pediatric High Myopia},
author = {Yinzheng Zhao and Zhihao Zhao and Junjie Yang and Li Li and M. Ali Nasseri and Daniel Zapp},
journal= {arXiv preprint arXiv:2409.20419},
year = {2024}
}