論文の概要: The Three-Dimensional Structural Configuration of the Central Retinal Vessel Trunk and Branches as a Glaucoma Biomarker

• arxiv url: http://arxiv.org/abs/2111.03997v2
• Date: Tue, 9 Nov 2021 03:16:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 12:19:56.672241
• Title: The Three-Dimensional Structural Configuration of the Central Retinal Vessel Trunk and Branches as a Glaucoma Biomarker
• Title（参考訳）: 緑内障バイオマーカーとしての網膜中心血管幹と枝の三次元構造
• Authors: Satish K. Panda, Haris Cheong, Tin A. Tun, Thanadet Chuangsuwanich, Aiste Kadziauskiene, Vijayalakshmi Senthil, Ramaswami Krishnadas, Martin L. Buist, Shamira Perera, Ching-Yu Cheng, Tin Aung, Alexandre H. Thiery, and Michael J. A. Girard
• Abstract要約: 我々は、光学的コヒーレンス断層撮影量(ONH)のBスキャンからCRVT&Bを自動的に分離する深層学習ネットワークを訓練した。 3Dと2Dの診断ネットワークは緑内障と非緑内障患者をそれぞれ82.7%と83.3%と区別することができた。
• 参考スコア（独自算出の注目度）: 41.97805846007449
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: To assess whether the three-dimensional (3D) structural configuration of the central retinal vessel trunk and its branches (CRVT&B) could be used as a diagnostic marker for glaucoma. Method: We trained a deep learning network to automatically segment the CRVT&B from the B-scans of the optical coherence tomography (OCT) volume of the optic nerve head (ONH). Subsequently, two different approaches were used for glaucoma diagnosis using the structural configuration of the CRVT&B as extracted from the OCT volumes. In the first approach, we aimed to provide a diagnosis using only 3D CNN and the 3D structure of the CRVT&B. For the second approach, we projected the 3D structure of the CRVT&B orthographically onto three planes to obtain 2D images, and then a 2D CNN was used for diagnosis. The segmentation accuracy was evaluated using the Dice coefficient, whereas the diagnostic accuracy was assessed using the area under the receiver operating characteristic curves (AUC). The diagnostic performance of the CRVT&B was also compared with that of retinal nerve fiber layer (RNFL) thickness. Results: Our segmentation network was able to efficiently segment retinal blood vessels from OCT scans. On a test set, we achieved a Dice coefficient of 0.81\pm0.07. The 3D and 2D diagnostic networks were able to differentiate glaucoma from non-glaucoma subjects with accuracies of 82.7% and 83.3%, respectively. The corresponding AUCs for CRVT&B were 0.89 and 0.90, higher than those obtained with RNFL thickness alone. Conclusions: Our work demonstrated that the diagnostic power of the CRVT&B is superior to that of a gold-standard glaucoma parameter, i.e., RNFL thickness. Our work also suggested that the major retinal blood vessels form a skeleton -- the configuration of which may be representative of major ONH structural changes as typically observed with the development and progression of glaucoma.
• Abstract（参考訳）: 目的: 中心網膜血管幹とその枝(crvt&b)の三次元構造が緑内障の診断マーカーとして有用かどうかを評価する。 方法:視神経頭(onh)の光コヒーレンストモグラフィ(oct)ボリュームのbスキャンからcrvt&bを自動的に分割するディープラーニングネットワークを訓練した。 その後,OCTボリュームから抽出したCRVT&Bの構造的構成を用いて緑内障の診断に2つの異なるアプローチを用いた。 最初のアプローチでは,CRVT&Bの3次元構造と3次元CNNのみを用いた診断を行うことを目的とした。 2つ目のアプローチでは,crvt&bの3次元構造を3次元平面に投影して2次元画像を得た後,2次元cnnを用いて診断を行った。 dice係数を用いてセグメンテーション精度を評価し,受信機動作特性曲線(auc)下の領域を用いて診断精度を評価した。 CRVT&Bの診断性能は網膜神経線維層(RNFL)の厚みと比較した。 結果: セグメンテーションネットワークは, octスキャンから効率的に網膜血管を分割できた。 テストセットでは,Dice係数0.81\pm0.07を得た。 3Dと2Dの診断ネットワークは緑内障と非緑内障患者をそれぞれ82.7%と83.3%と区別することができた。 CRVT&BのAUCは0.89と0.90であり、RAFの厚さだけで得られたAUCよりも高かった。 結論:本研究は,crvt&bの診断能力が金標準緑内障パラメータ,すなわちrnflの厚さよりも優れていることを示した。 本研究は, 網膜血管が骨格を形成することを示唆し, 緑内障の進展と進展にともなう OnH 構造変化を代表していると考えられる。

関連論文リスト

• Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis from 3D OCT Imaging [1.8416014644193066]
  本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。 我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。 大規模データセットに対する実験結果から,提案手法の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-08T22:25:15Z)
• nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and Generalisation over Variations of Data Sources [25.095695898777656]
  我々は、複数のデバイスベンダーの画像間で一貫した高パフォーマンスを持つnnUNetの2つの変種を提案する。 このアルゴリズムはMICCAI 2017 RETOUCHチャレンジデータセットで検証された。 実験の結果,我々のアルゴリズムは最先端のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-25T23:47:23Z)
• Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
  我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。 分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。 これにより3次元広視野CTスキャンが主流となる可能性がある。
  論文  参考訳（メタデータ） (2022-10-13T01:51:29Z)
• 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)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。