基于深度学习的从光学相干断层扫描 pointwise 视野估计用于青光眼：一项结构-功能分析
图像与视频处理
2021-06-08 v1 计算机视觉与模式识别
摘要
背景/目的：标准自动视野计（SAP）是监测青光眼管理中视野（VF）缺损的金标准，但易受受试者内变异性影响。我们开发并验证了一种深度学习（DL）回归模型，该模型从未分割的光学相干断层扫描（OCT）扫描中估计逐点及整体视野缺损。方法：使用多种视网膜成像模态训练了八个 DL 回归模型：直径为 3.5mm、4.1mm、4.7mm 的视乳头周围 OCT，以及扫描激光眼底镜（SLO）正面图像，以估计平均偏差（MD）和 52 个阈值。这项回顾性研究使用了接受完整青光眼检查的患者数据，包括可靠的 Humphrey 视野分析仪（HFA）24-2 SITA Standard 视野检查，以及使用 Glaucoma Module Premium Edition 的 SPECTRALIS OCT 扫描。结果：共纳入 496 例患者（863 只眼）的 1378 对匹配 OCT-VF 用于 DL 模型的训练与评估。平均样本 MD 为 -7.53dB（从 -33.8dB 到 +2.0dB）。对于 52 个 VF 阈值估计，具有最大半径（4.7mm）的视乳头周围 OCT 扫描在所有独立模型中取得最佳性能（Pearson r=0.77，95% CI=[0.72-0.82]）。对于 MD，OCT 训练模型（3.5mm、4.1mm、4.7mm）的预测平均在验证集上得到 Pearson r 为 0.78 [0.73-0.83]，在测试集上性能相当（Pearson r=0.79 [0.75-0.82]）。结论：基于未分割 OCT 扫描的 DL 可准确预测青光眼患者 24-2 VF 的逐点及平均偏差。从未分割 OCT 自动得出的 VF 可成为无法产生可靠视野计结果患者的解决方案。
引用
@article{arxiv.2106.03793,
title = {Pointwise visual field estimation from optical coherence tomography in glaucoma: a structure-function analysis using deep learning},
author = {Ruben Hemelings and Bart Elen and João Barbosa Breda and Erwin Bellon and Matthew B Blaschko and Patrick De Boever and Ingeborg Stalmans},
journal= {arXiv preprint arXiv:2106.03793},
year = {2021}
}