論文の概要: Describing the Structural Phenotype of the Glaucomatous Optic Nerve Head
Using Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2012.09755v1
- Date: Thu, 17 Dec 2020 17:15:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:32:36.177320
- Title: Describing the Structural Phenotype of the Glaucomatous Optic Nerve Head
Using Artificial Intelligence
- Title（参考訳）: 人工知能を用いた緑内障視神経頭の構造表現型記述
- Authors: Satish K. Panda, Haris Cheong, Tin A. Tun, Sripad K. Devella,
Ramaswami Krishnadas, Martin L. Buist, Shamira Perera, Ching-Yu Cheng, Tin
Aung, Alexandre H. Thi\'ery, and Micha\"el J. A. Girard
- Abstract要約: 視神経頭(ONH)は通常、緑内障の発生および進行に伴う複雑な神経組織および結合組織構造の変化を経験する。
そこで我々は,textbf(1)がONHのOCTスキャンから情報をフル活用し,textbf(2)がONHの構造的表現型を記述し,textbf(3)が堅牢な緑内障診断ツールとして使用できる深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 43.803153617553114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optic nerve head (ONH) typically experiences complex neural- and
connective-tissue structural changes with the development and progression of
glaucoma, and monitoring these changes could be critical for improved diagnosis
and prognosis in the glaucoma clinic. The gold-standard technique to assess
structural changes of the ONH clinically is optical coherence tomography (OCT).
However, OCT is limited to the measurement of a few hand-engineered parameters,
such as the thickness of the retinal nerve fiber layer (RNFL), and has not yet
been qualified as a stand-alone device for glaucoma diagnosis and prognosis
applications. We argue this is because the vast amount of information available
in a 3D OCT scan of the ONH has not been fully exploited. In this study we
propose a deep learning approach that can: \textbf{(1)} fully exploit
information from an OCT scan of the ONH; \textbf{(2)} describe the structural
phenotype of the glaucomatous ONH; and that can \textbf{(3)} be used as a
robust glaucoma diagnosis tool. Specifically, the structural features
identified by our algorithm were found to be related to clinical observations
of glaucoma. The diagnostic accuracy from these structural features was $92.0
\pm 2.3 \%$ with a sensitivity of $90.0 \pm 2.4 \% $ (at $95 \%$ specificity).
By changing their magnitudes in steps, we were able to reveal how the
morphology of the ONH changes as one transitions from a `non-glaucoma' to a
`glaucoma' condition. We believe our work may have strong clinical implication
for our understanding of glaucoma pathogenesis, and could be improved in the
future to also predict future loss of vision.
- Abstract（参考訳）: 視神経頭(ONH)は通常、緑内障の発生と進行に伴う神経・結合組織構造の変化を経験し、これらの変化を監視することは緑内障クリニックの診断と予後の改善に重要である。
onhの構造変化を臨床的に評価するための金標準技術は光コヒーレンストモグラフィ(oct)である。
しかし、octは、網膜神経線維層(rnfl)の厚みなどのいくつかの手工学パラメータの測定に限定されており、まだ緑内障の診断と予後診断のための単独の装置として認定されていない。
これは、ONHの3D OCTスキャンで利用できる膨大な情報が十分に活用されていないためである。
そこで本研究では, onh の oct スキャンからの情報を十分に活用できる深層学習手法を提案し, 緑内障診断ツールとして \textbf{(3)} を使用できることを提案する。
具体的には,本アルゴリズムで同定された構造的特徴は緑内障の臨床観察と関係があることが判明した。
これらの構造的特徴の診断精度は92.0 \pm 2.3 \%$であり、感度は90.0 \pm 2.4 \%$(95 \%$)である。
ステップで等級を変えることで、オンの形状が'非グラコマ'から'グラコマ'状態へ遷移するにつれてどのように変化するかを明らかにすることができた。
我々の研究は緑内障の病態の理解に強い臨床的意味を持ち、将来は視力喪失を予測できるように改善できると考えている。
関連論文リスト
- The 3D Structural Phenotype of the Glaucomatous Optic Nerve Head and its
Relationship with The Severity of Visual Field Damage [45.923831389099696]
早期緑内障では OnH 構造変化がみられ,後期では プラトー効果がみられた。
PointNetを用いて神経組織と結合組織の両方に3D ONH構造変化が認められた。
論文 参考訳（メタデータ） (2023-01-07T12:28:43Z) - AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding
Biomechanical Testing [54.306443917863355]
我々は,ONHの1つのOCTスキャンからのみ,与えられたONHの堅牢性を評価することができるAI駆動型アプローチを提案する。
縦断的研究は、ONHの頑健さが高速な視野障害進行因子の同定に役立つかどうかを確かめるべきである。
論文 参考訳（メタデータ） (2022-06-09T11:29:28Z) - Medical Application of Geometric Deep Learning for the Diagnosis of
Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。
全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。
ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文 参考訳（メタデータ） (2022-04-14T14:55:25Z) - Geometric Deep Learning to Identify the Critical 3D Structural Features
of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。
我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。
幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文 参考訳（メタデータ） (2022-04-14T12:52:10Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Automatic Segmentation of the Optic Nerve Head Region in Optical
Coherence Tomography: A Methodological Review [4.777796444711511]
視神経頭は、視神経(ONH)の眼内部分を表す。
光コヒーレンストモグラフィーの出現により、新しい視神経頭部パラメータの評価が可能となった。
ディープラーニングに基づくアルゴリズムは、ONHの異なる構造を分割する上で、最高の精度、感度、特異性を提供する。
論文 参考訳（メタデータ） (2021-09-06T09:45:57Z) - Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using
Tailored Prototypical Neural Networks [1.1601676598120785]
緑内障は世界の視覚障害の主要な原因の1つである。
生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。
特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
論文 参考訳（メタデータ） (2021-06-25T10:53:01Z) - Conditional GAN for Prediction of Glaucoma Progression with Macular
Optical Coherence Tomography [4.823472957592564]
緑内障の進行を予測するために条件付きGANアーキテクチャを用いた生成的深層学習モデルを構築した。
患者のOCTスキャンは,3～2回の先行測定から予測される。
以上より,2回の来院で得られたOCTスキャンは,6カ月後に次のOCTスキャンを予測するのに十分である可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T22:24:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。