用于眼前节光学相干断层扫描图像结构隔离与量化的深度学习算法
图像与视频处理
2019-09-04 v1 计算机视觉与模式识别
机器学习
摘要
利用光学相干断层扫描（OCT）图像准确隔离和量化眼前节（AS）的眼内尺寸，在许多眼病的诊断与治疗中十分重要，尤其是闭角型青光眼。本研究中，我们开发了一种深度卷积神经网络（DCNN）用于定位巩膜突并分割眼前节结构（虹膜、角膜-巩膜壳、前房）。在有限训练数据下，DCNN 在未见过的 ASOCT 图像上检测巩膜突的准确度与经验丰富的眼科医生相当，同时以 95.7% 的 Dice 系数隔离了眼前节结构。随后我们自动提取了八个临床相关的 ASOCT 参数，并提出了一种自动质量检查流程以验证这些参数的可靠性。当与能够成像多个径向切面的 OCT 设备结合时，该算法可提供更完整的客观评估。这是朝着为 ASOCT 扫描的可靠量化提供鲁棒自动化框架、以用于闭角型青光眼诊断与管理应用迈出的重要一步。
引用
@article{arxiv.1909.00331,
title = {Deep Learning Algorithms to Isolate and Quantify the Structures of the Anterior Segment in Optical Coherence Tomography Images},
author = {Tan Hung Pham and Sripad Krishna Devalla and Aloysius Ang and Soh Zhi Da and Alexandre H. Thiery and Craig Boote and Ching-Yu Cheng and Victor Koh and Michael J. A. Girard},
journal= {arXiv preprint arXiv:1909.00331},
year = {2019}
}