利用几何深度学习识别视盘用于青光眼诊断的关键三维结构特征
图像与视频处理
2022-04-21 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
目的:视盘(ONH)在青光眼的发生和发展过程中经历复杂而深层的 3D 形态学改变。光学相干断层扫描(OCT)是当前可视化和量化这些变化的金标准,然而由此产生的 3D 深层组织信息尚未被充分用于青光眼的诊断与预后。为此,我们旨在:(1)比较两种相对较新的几何深度学习技术在根据单次 ONH 的 OCT 扫描诊断青光眼中的性能;(2)识别对青光眼诊断至关重要的 ONH 的 3D 结构特征。方法:本研究共纳入来自 1,725 名受试者的 2,247 份非青光眼扫描与 2,259 份青光眼扫描。所有受试者均使用 Spectralis OCT 对 ONH 进行 3D 成像。所有 OCT 扫描均通过深度学习自动分割以识别主要的神经与结缔组织。随后每个 ONH 被表示为一个 3D 点云。我们使用 PointNet 与动态图卷积神经网络(DGCNN)从此类 3D ONH 点云中诊断青光眼,并识别对青光眼诊断至关重要的 ONH 的 3D 结构特征。结果:DGCNN(AUC: 0.970.01)与 PointNet(AUC: 0.950.02)均能根据 3D ONH 点云准确检测青光眼。关键点形成沙漏状分布,其中大多数位于 ONH 的下象限与上象限。讨论:两种几何深度学习方法的诊断准确性均极佳。此外,我们得以识别对青光眼诊断至关重要的 ONH 的 3D 结构特征,极大提升了方法的透明度与可解释性。因此,我们的方法在临床应用于广泛眼科疾病的诊断与预后方面具有强大潜力。
引用
@article{arxiv.2204.06931,
title = {Geometric Deep Learning to Identify the Critical 3D Structural Features of the Optic Nerve Head for Glaucoma Diagnosis},
author = {Fabian A. Braeu and Alexandre H. Thiéry and Tin A. Tun and Aiste Kadziauskiene and George Barbastathis and Tin Aung and Michaël J. A. Girard},
journal= {arXiv preprint arXiv:2204.06931},
year = {2022}
}