基于商用与原型 OCT-A 平台的深度学习血管分割及中央凹无血管区量化
图像与视频处理
2019-09-26 v1 计算机视觉与模式识别
机器学习
摘要
光学相干断层扫描血管造影（OCT-A）图像中视网膜旁血管密度的自动量化面临诸多挑战，如图像内与图像间信噪比可变、来自外层血管投影伪影以及运动伪影。本研究展示了深度神经网络在健康眼与糖尿病眼 OCT-A 图像中中央凹无血管区（FAZ）参数及视网膜旁血管密度自动量化中的效用。使用三种 OCT-A 系统采集中央凹区域 OCT-A 图像：1060nm 扫频源（SS）-OCT 原型、RTVue XR Avanti（Optovue Inc., Fremont, CA）和 ZEISS Angioplex（Carl Zeiss Meditec, Dublin, CA）。随后使用深度神经网络进行自动分割。以四项 FAZ 形态测量参数（面积、最小/最大直径和偏心率）及视网膜旁血管密度作为结果指标。DNN 血管分割的准确度、灵敏度和特异度在所有三种设备平台上均具可比性。任何系统上自动与手动分割的各项结果指标均值间均未发现显著差异。所有测量的组内相关系数（ICC）亦良好（> 0.51）。OCT-A 的自动深度学习血管分割可能适用于商业与研究目的，以更好地量化视网膜循环。
引用
@article{arxiv.1909.11289,
title = {Deep learning vessel segmentation and quantification of the foveal avascular zone using commercial and prototype OCT-A platforms},
author = {Morgan Heisler and Forson Chan and Zaid Mammo and Chandrakumar Balaratnasingam and Pavle Prentasic and Gavin Docherty and MyeongJin Ju and Sanjeeva Rajapakse and Sieun Lee and Andrew Merkur and Andrew Kirker and David Albiani and David Maberley and K. Bailey Freund and Mirza Faisal Beg and Sven Loncaric and Marinko V. Sarunic and Eduardo V. Navajas},
journal= {arXiv preprint arXiv:1909.11289},
year = {2019}
}
备注
22 pages, 5 figures