論文の概要: AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding
Biomechanical Testing
- arxiv url: http://arxiv.org/abs/2206.04689v1
- Date: Thu, 9 Jun 2022 11:29:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 15:19:44.822943
- Title: AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding
Biomechanical Testing
- Title（参考訳）: バイオメカニカルテストによる視神経頭部ロバストネスのaiによる臨床的評価
- Authors: Fabian A. Braeu, Thanadet Chuangsuwanich, Tin A. Tun, Alexandre H.
Thiery, Tin Aung, George Barbastathis, Micha\"el J.A. Girard
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.306443917863355
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: $\mathbf{Purpose}$: To use artificial intelligence (AI) to: (1) exploit
biomechanical knowledge of the optic nerve head (ONH) from a relatively large
population; (2) assess ONH robustness from a single optical coherence
tomography (OCT) scan of the ONH; (3) identify what critical three-dimensional
(3D) structural features make a given ONH robust.
$\mathbf{Design}$: Retrospective cross-sectional study.
$\mathbf{Methods}$: 316 subjects had their ONHs imaged with OCT before and
after acute intraocular pressure (IOP) elevation through ophthalmo-dynamometry.
IOP-induced lamina-cribrosa deformations were then mapped in 3D and used to
classify ONHs. Those with LC deformations superior to 4% were considered
fragile, while those with deformations inferior to 4% robust. Learning from
these data, we compared three AI algorithms to predict ONH robustness strictly
from a baseline (undeformed) OCT volume: (1) a random forest classifier; (2) an
autoencoder; and (3) a dynamic graph CNN (DGCNN). The latter algorithm also
allowed us to identify what critical 3D structural features make a given ONH
robust.
$\mathbf{Results}$: All 3 methods were able to predict ONH robustness from 3D
structural information alone and without the need to perform biomechanical
testing. The DGCNN (area under the receiver operating curve [AUC]: 0.76 $\pm$
0.08) outperformed the autoencoder (AUC: 0.70 $\pm$ 0.07) and the random forest
classifier (AUC: 0.69 $\pm$ 0.05). Interestingly, to assess ONH robustness, the
DGCNN mainly used information from the scleral canal and the LC insertion
sites.
$\mathbf{Conclusions}$: We propose an AI-driven approach that can assess the
robustness of a given ONH solely from a single OCT scan of the ONH, and without
the need to perform biomechanical testing. Longitudinal studies should
establish whether ONH robustness could help us identify fast visual field loss
progressors.
- Abstract（参考訳）: $\mathbf{Purpose}$: 人工知能(AI)を用いて、(1) 比較的多くの個体から視神経頭(ONH)の生体力学的知識を活用すること、(2) ONHの単一の光コヒーレンス断層撮影(OCT)スキャンからONHの堅牢性を評価すること、(3) 重要な3次元構造的特徴がONHを堅牢にするかを識別すること。
$\mathbf{Design}$: 振り返り横断的な研究。
$\mathbf{Methods}$: 316名の被験者は眼圧計を用いて眼圧(IOP)上昇前後にOCTでONHを画像化した。
IOPによるラミナ・クリブロサ変形は3次元にマッピングされ、ONHの分類に用いられる。
LC変形が4%に優れ, LC変形が4%に劣る者は, 脆弱であると考えられた。
これらのデータからaiアルゴリズムを比較した結果,(1)ランダム森林分類器,(2)オートエンコーダ,(3)動的グラフcnn(dgcnn)の3つの基準値から,onhロバスト性を予測することができた。
後者のアルゴリズムは、与えられたONHがどんな重要な3D構造的特徴を持つかを識別することを可能にする。
$\mathbf{Results}$: バイオメカニカルテストを行うことなく、3つのメソッドが3次元構造情報だけでONHの堅牢性を予測できた。
DGCNN(AUC: 0.76 $\pm$ 0.08)はオートエンコーダ(AUC: 0.70 $\pm$ 0.07)とランダム森林分類器(AUC: 0.69 $\pm$ 0.05)を上回った。
興味深いことに、DGCNNは主に硬化管とLC挿入部位からの情報を用いてONHの堅牢性を評価する。
$\mathbf{Conclusions}$: バイオメカニカルテストを行うことなく、ONHの単一OCTスキャンからのみ、所定の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の堅牢性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。
関連論文リスト
- Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳（メタデータ） (2024-11-24T12:11:11Z) - 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) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - 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) - 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。