論文の概要: Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma

• arxiv url: http://arxiv.org/abs/2204.07004v1
• Date: Thu, 14 Apr 2022 14:55:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 17:45:14.359692
• Title: Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma
• Title（参考訳）: 緑内障診断における幾何学的深層学習の医療応用
• Authors: Alexandre H. Thiery, Fabian Braeu, Tin A. Tun, Tin Aung, Michael J.A. Girard
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.42955087779866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: (1) To assess the performance of geometric deep learning (PointNet) in diagnosing glaucoma from a single optical coherence tomography (OCT) 3D scan of the optic nerve head (ONH); (2) To compare its performance to that obtained with a standard 3D convolutional neural network (CNN), and with a gold-standard glaucoma parameter, i.e. retinal nerve fiber layer (RNFL) thickness. Methods: 3D raster scans of the ONH were acquired with Spectralis OCT for 477 glaucoma and 2,296 non-glaucoma subjects at the Singapore National Eye Centre. All volumes were automatically segmented using deep learning to identify 7 major neural and connective tissues including the RNFL, the prelamina, and the lamina cribrosa (LC). Each ONH was then represented as a 3D point cloud with 1,000 points chosen randomly from all tissue boundaries. To simplify the problem, all ONH point clouds were aligned with respect to the plane and center of Bruch's membrane opening. Geometric deep learning (PointNet) was then used to provide a glaucoma diagnosis from a single OCT point cloud. The performance of our approach was compared to that obtained with a 3D CNN, and with RNFL thickness. Results: PointNet was able to provide a robust glaucoma diagnosis solely from the ONH represented as a 3D point cloud (AUC=95%). The performance of PointNet was superior to that obtained with a standard 3D CNN (AUC=87%) and with that obtained from RNFL thickness alone (AUC=80%). Discussion: We provide a proof-of-principle for the application of geometric deep learning in the field of glaucoma. Our technique requires significantly less information as input to perform better than a 3D CNN, and with an AUC superior to that obtained from RNFL thickness alone. Geometric deep learning may have wide applicability in the field of Ophthalmology.
• Abstract（参考訳）: 目的:(1)視神経頭(onh)の単一光コヒーレンス断層撮影(oct)3dスキャンによる緑内障診断における幾何学的ディープラーニング(pointnet)の性能評価,(2)標準3d畳み込みニューラルネットワーク(cnn)で得られたものとの比較,および金標準緑内障パラメータ,すなわち網膜神経線維層(rnfl)厚との比較。 方法:ONHの3DラスタスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者でシンガポール国立眼センターで取得した。 すべてのボリュームがディープラーニングを使用して自動的に分割され、rnfl、prelamina、lamina cribrosa(lc)を含む7つの主要な神経および結合組織が識別された。 各ONHは3D点雲として表され、組織の境界からランダムに1000点が選択された。 問題を単純化するため、全てのオンポイント雲はブラッホの膜開口面と中心に関して整列された。 次に、幾何学的深層学習(PointNet)を用いて、1つのOCT点雲から緑内障の診断を行った。 本手法の性能は3次元cnn, rnfl厚みと比較した。 結果: PointNetは3Dポイントクラウド(AUC=95%)で表されるONHのみから頑健な緑内障の診断が可能であった。 PointNetの性能は標準の3D CNN (AUC=87%) とRAFの厚さのみ (AUC=80%) より優れていた。 考察: 緑内障領域における幾何学的深層学習の応用のための基礎的証明を提供する。 提案手法では,3次元CNNよりも優れた情報を入力として必要としており,RAF厚みだけで得られるAUCよりも優れている。 幾何学的深層学習は眼科領域で広く応用できる可能性がある。

関連論文リスト

• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• 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)
• 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)
• 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)

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。