論文の概要: Geometric Deep Learning to Identify the Critical 3D Structural Features of the Optic Nerve Head for Glaucoma Diagnosis

• arxiv url: http://arxiv.org/abs/2204.06931v1
• Date: Thu, 14 Apr 2022 12:52:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 12:25:08.795204
• Title: Geometric Deep Learning to Identify the Critical 3D Structural Features of the Optic Nerve Head for Glaucoma Diagnosis
• Title（参考訳）: 緑内障診断のための視神経頭部の臨界3次元構造特徴同定のための幾何学的深層学習
• Authors: Fabian A. Braeu, Alexandre H. Thi\'ery, Tin A. Tun, Aiste Kadziauskiene, George Barbastathis, Tin Aung, and Micha\"el J.A. Girard
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.06403518904579
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: The optic nerve head (ONH) undergoes complex and deep 3D morphological changes during the development and progression of glaucoma. Optical coherence tomography (OCT) is the current gold standard to visualize and quantify these changes, however the resulting 3D deep-tissue information has not yet been fully exploited for the diagnosis and prognosis of glaucoma. To this end, we aimed: (1) To compare the performance of two relatively recent geometric deep learning techniques in diagnosing glaucoma from a single OCT scan of the ONH; and (2) To identify the 3D structural features of the ONH that are critical for the diagnosis of glaucoma. Methods: In this study, we included a total of 2,247 non-glaucoma and 2,259 glaucoma scans from 1,725 subjects. All subjects had their ONHs imaged in 3D with Spectralis OCT. All OCT scans were automatically segmented using deep learning to identify major neural and connective tissues. Each ONH was then represented as a 3D point cloud. We used PointNet and dynamic graph convolutional neural network (DGCNN) to diagnose glaucoma from such 3D ONH point clouds and to identify the critical 3D structural features of the ONH for glaucoma diagnosis. Results: Both the DGCNN (AUC: 0.97$\pm$0.01) and PointNet (AUC: 0.95$\pm$0.02) were able to accurately detect glaucoma from 3D ONH point clouds. The critical points formed an hourglass pattern with most of them located in the inferior and superior quadrant of the ONH. Discussion: The diagnostic accuracy of both geometric deep learning approaches was excellent. Moreover, we were able to identify the critical 3D structural features of the ONH for glaucoma diagnosis that tremendously improved the transparency and interpretability of our method. Consequently, our approach may have strong potential to be used in clinical applications for the diagnosis and prognosis of a wide range of ophthalmic disorders.
• Abstract（参考訳）: 目的:視神経頭(ONH)は緑内障の発生と進展の間に複雑で深い3次元形態変化を呈する。 光コヒーレンス・トモグラフィー(OCT)はこれらの変化を可視化し定量化するための現在の金標準であるが、3次元の深部情報はまだ緑内障の診断と予後に十分に活用されていない。 そこで本研究では,1)onhの1つのoctスキャンから緑内障を診断する2つの比較的最近の幾何学的深層学習手法の性能を比較すること,(2)緑内障の診断に重要なonhの3次元的特徴を明らかにすることを目的とした。 方法: 本研究では, 非緑内障2,247例, 緑内障2,259例を対象とした。 全被験者はSpectralis OCTで3DでONHを画像化した。 octスキャンはすべて、ディープラーニングを使って自動的に分割され、主要な神経組織と結合組織を識別した。 それぞれのONHは3次元の点雲として表現された。 3d onh点雲から緑内障を診断するためにpointnetとdynamic graph convolutional neural network(dgcnn)を用い,緑内障診断にonhの致命的な3d構造特徴を同定した。 結果: DGCNN (AUC: 0.97$\pm$0.01) と PointNet (AUC: 0.95$\pm$0.02) は3D ONH点群から緑内障を正確に検出することができた。 臨界点は1時間ガラスのパターンを形成し、そのほとんどはONHの4分の1の下位に位置する。 考察: 幾何的深層学習アプローチの診断精度は良好であった。 さらに, 緑内障診断におけるonhの3次元構造的特徴を同定し, 透明性と解釈性を大幅に向上させた。 その結果,幅広い眼疾患の診断・予後に臨床応用できる可能性が示唆された。

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)
• 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)
• 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)
• The Three-Dimensional Structural Configuration of the Central Retinal Vessel Trunk and Branches as a Glaucoma Biomarker [41.97805846007449]
  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。
  論文  参考訳（メタデータ） (2021-11-07T04:41:49Z)
• Describing the Structural Phenotype of the Glaucomatous Optic Nerve Head Using Artificial Intelligence [43.803153617553114]
  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。
  論文  参考訳（メタデータ） (2020-12-17T17:15:30Z)

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。