纵向OCT研究中基于列的深度学习同步进展分析AMD相关萎缩
图像与视频处理
2023-08-01 v1 计算机视觉与模式识别
机器学习
摘要
目的：与AMD相关的视网膜萎缩疾病进展需要在纵向OCT研究中准确量化视网膜萎缩变化。其基于在未配准的连续对（先前与当前）OCT扫描中发现、比较并描绘细微的萎缩变化。方法：我们提出一种全自动端到端流程，用于同步检测与量化患者OCT扫描对中与干性AMD相关的时间性萎缩变化。它使用一种新颖的同步多通道基于列深度学习模型，该模型在配准的OCT扫描对上训练，通过分类配准的先前与当前OCT切片（B扫描）中匹配的垂直像素宽列（A扫描）对中的光散射模式，并发检测并分割连续OCT扫描中的视网膜萎缩段。结果：在40个扫描对（18名患者，66%训练/验证，33%测试）的4,040张OCT切片、5.2M列上进行实验，时间间隔为24.13±14.0个月，其中在1,998张OCT切片（来自3,732个段的735个萎缩病灶，0.45M列）中识别出完全RPE与外视网膜萎缩（cRORA），萎缩段检测精度、召回率为0.90±0.09、0.95±0.06，萎缩病灶为0.74±0.18、0.94±0.12，AUC=0.897，均高于观察者变异性。同步分类在萎缩段和病灶上的精度与召回率分别优于独立分类30±62%和27±0%。结论：基于列的AMD相关视网膜萎缩变化同步检测与量化是准确的，且优于独立分类方法。转化相关性：一种自动且高效的方法来检测与量化AMD相关视网膜萎缩变化。
引用
@article{arxiv.2307.16559,
title = {Simultaneous column-based deep learning progression analysis of atrophy associated with AMD in longitudinal OCT studies},
author = {Adi Szeskin and Roei Yehuda and Or Shmueli and Jaime Levy and Leo Joskowicz},
journal= {arXiv preprint arXiv:2307.16559},
year = {2023}
}
备注
34 pages, 5 figures and 2 tables