論文の概要: Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography

• arxiv url: http://arxiv.org/abs/2210.06664v1
• Date: Thu, 13 Oct 2022 01:51:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 14:57:20.954920
• Title: Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography
• Title（参考訳）: 緑内障の診断はマキュラか視神経の頭部構造が優れているか? aiと広視野光コヒーレンストモグラフィを用いた解法
• Authors: Charis Y.N. Chiang, Fabian Braeu, Thanadet Chuangsuwanich, Royston K.Y. Tan, Jacqueline Chua, Leopold Schmetterer, Alexandre Thiery, Martin Buist, Micha\"el J.A. Girard
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.7576911714538
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: (1) To develop a deep learning algorithm to automatically segment structures of the optic nerve head (ONH) and macula in 3D wide-field optical coherence tomography (OCT) scans; (2) To assess whether 3D macula or ONH structures (or the combination of both) provide the best diagnostic power for glaucoma. Methods: A cross-sectional comparative study was performed which included wide-field swept-source OCT scans from 319 glaucoma subjects and 298 non-glaucoma subjects. All scans were compensated to improve deep-tissue visibility. We developed a deep learning algorithm to automatically label all major ONH tissue structures by using 270 manually annotated B-scans for training. The performance of our algorithm was assessed using the Dice coefficient (DC). A glaucoma classification algorithm (3D CNN) was then designed using a combination of 500 OCT volumes and their corresponding automatically segmented masks. This algorithm was trained and tested on 3 datasets: OCT scans cropped to contain the macular tissues only, those to contain the ONH tissues only, and the full wide-field OCT scans. The classification performance for each dataset was reported using the AUC. Results: Our segmentation algorithm was able to segment ONH and macular tissues with a DC of 0.94 $\pm$ 0.003. The classification algorithm was best able to diagnose glaucoma using wide-field 3D-OCT volumes with an AUC of 0.99 $\pm$ 0.01, followed by ONH volumes with an AUC of 0.93 $\pm$ 0.06, and finally macular volumes with an AUC of 0.91 $\pm$ 0.11. Conclusions: this study showed that using wide-field OCT as compared to the typical OCT images containing just the ONH or macular may allow for a significantly improved glaucoma diagnosis. This may encourage the mainstream adoption of 3D wide-field OCT scans. For clinical AI studies that use traditional machines, we would recommend the use of ONH scans as opposed to macula scans.
• Abstract（参考訳）: 目的:(1)3次元広視野光コヒーレンストモグラフィー(OCT)スキャンにおいて視神経頭部(ONH)とマキュラの構造を自動的に分割する深層学習アルゴリズムを開発すること、(2)3次元マキュラまたはONH構造(または両者の組み合わせ)が緑内障に最適な診断力を与えるかどうかを評価すること。 方法: 緑内障319例と非緑内障298例の広視野Swept-source OCTスキャンによる横断的比較試験を行った。 すべてのスキャンは、深部視認性を改善するために補正された。 270個の注釈付きBスキャンを手動でトレーニングし,すべての組織構造を自動ラベル付けする深層学習アルゴリズムを開発した。 本アルゴリズムの性能はDice coefficient (DC) を用いて評価した。 緑内障分類アルゴリズム(3D CNN)を500 OCTボリュームとそれに対応する自動分割マスクの組み合わせを用いて設計した。 このアルゴリズムは、黄斑組織のみを包含するoctスキャン、onh組織のみを包含するoctスキャン、全広視野octスキャンの3つのデータセットでトレーニングおよびテストされた。 各データセットの分類性能をAUCを用いて報告した。 結果: 分節化アルゴリズムは0.94$\pm$ 0.003でonhおよび黄斑組織を分節できた。 この分類アルゴリズムは、広視野3d-octボリュームを0.99$\pm$ 0.01で、続いて0.93$\pm$ 0.06のonhボリュームを、最終的に0.91$\pm$ 0.11のmacularボリュームで、緑内障の診断に最適であった。 結論:本研究は,ONHおよび黄斑のみを含む典型的なOCT画像と比較し,広視野CTを用いたことにより,緑内障の診断が有意に改善する可能性が示唆された。 これにより3次元広視野CTスキャンが主流となる。 従来の機械を用いた臨床AI研究では、マキュラスキャンとは対照的にONHスキャンを使用することを推奨する。

関連論文リスト

• 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)
• 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)
• LIFE: A Generalizable Autodidactic Pipeline for 3D OCT-A Vessel Segmentation [5.457168581192045]
  最近のディープラーニングアルゴリズムは、有望な血管セグメンテーションの結果を生み出した。 しかし、手動による注記データがないため、3D網膜血管セグメンテーションは依然として困難である。 自己合成モダリティのみによって教師される学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-07-09T07:51:33Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。