論文の概要: OCTolyzer: Fully automatic analysis toolkit for segmentation and feature extracting in optical coherence tomography (OCT) and scanning laser ophthalmoscopy (SLO) data
- arxiv url: http://arxiv.org/abs/2407.14128v1
- Date: Fri, 19 Jul 2024 08:56:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 18:13:50.053207
- Title: OCTolyzer: Fully automatic analysis toolkit for segmentation and feature extracting in optical coherence tomography (OCT) and scanning laser ophthalmoscopy (SLO) data
- Title（参考訳）: OCTolyzer:光コヒーレンストモグラフィー(OCT)と走査型レーザー眼科検査(SLO)データにおけるセグメンテーションと特徴抽出のための完全自動解析ツールキット
- Authors: Jamie Burke, Justin Engelmann, Samuel Gibbon, Charlene Hamid, Diana Moukaddem, Dan Pugh, Tariq Farrah, Niall Strang, Neeraj Dhaun, Tom MacGillivray, Stuart King, Ian J. C. MacCormick,
- Abstract要約: OCTolyzerは光学コヒーレンストモグラフィー(OCT)および走査型レーザー眼鏡(SLO)画像における網膜脈絡膜解析のためのオープンソースツールキットである。
- 参考スコア（独自算出の注目度）: 3.8485899972356337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: To describe OCTolyzer: an open-source toolkit for retinochoroidal analysis in optical coherence tomography (OCT) and scanning laser ophthalmoscopy (SLO) images. Method: OCTolyzer has two analysis suites, for SLO and OCT images. The former enables anatomical segmentation and feature measurement of the en face retinal vessels. The latter leverages image metadata for retinal layer segmentations and deep learning-based choroid layer segmentation to compute retinochoroidal measurements such as thickness and volume. We introduce OCTolyzer and assess the reproducibility of its OCT analysis suite for choroid analysis. Results: At the population-level, choroid region metrics were highly reproducible (Mean absolute error/Pearson/Spearman correlation for macular volume choroid thickness (CT):6.7$\mu$m/0.9933/0.9969, macular B-scan CT:11.6$\mu$m/0.9858/0.9889, peripapillary CT:5.0$\mu$m/0.9942/0.9940). Macular choroid vascular index (CVI) had good reproducibility (volume CVI:0.0271/0.9669/0.9655, B-scan CVI:0.0130/0.9090/0.9145). At the eye-level, measurement error in regional and vessel metrics were below 5% and 20% of the population's variability, respectively. Major outliers were from poor quality B-scans with thick choroids and invisible choroid-sclera boundary. Conclusions: OCTolyzer is the first open-source pipeline to convert OCT/SLO data into reproducible and clinically meaningful retinochoroidal measurements. OCT processing on a standard laptop CPU takes under 2 seconds for macular or peripapillary B-scans and 85 seconds for volume scans. OCTolyzer can help improve standardisation in the field of OCT/SLO image analysis and is freely available here: https://github.com/jaburke166/OCTolyzer.
- Abstract（参考訳）: 目的:OCTolyzer:光コヒーレンス断層撮影(OCT)および走査型レーザー眼科検査(SLO)画像におけるレチノコロイド解析のためのオープンソースツールキットについて述べる。
方法:OCTolyzerにはSLOとOCTの2つの解析スイートがある。
前者では、解剖学的分節と、前者網膜血管の特徴測定が可能である。
後者は網膜層セグメンテーションと深層学習に基づく脈絡膜セグメンテーションのための画像メタデータを活用し、厚さや体積などの網膜脈絡膜計測を計算する。
我々はOCTolyzerを導入し、脈絡膜分析のためのOCT分析スイートの再現性を評価する。
結果: 集団レベルでは, 脈絡膜面積は高い再現性を示した(平均絶対誤差/ピアソン/スピアマン相関は, 黄体体積脈絡膜厚 (CT): 6.7$\mu$m/0.9933/0.9969, macular B-scan CT: 11.6$\mu$m/0.9858/0.9889, peripapillary CT:5.0$\mu$m/0.9942/0.9940)。
CVI:0.0271/0.9669/0.9655, B-scan CVI:0.0130/0.9090/0.9145。
視線レベルでは、地域と船舶の計測値における測定誤差は、それぞれ人口の変動率の5%以下と20%以下であった。
主な異常値は, 厚い脈絡膜と見えない脈絡膜境界を有する品質の悪いBスキャンであった。
結論:OCTolyzerはOCT/SLOデータを再現性および臨床的に有意な網膜脈絡膜計測に変換する最初のオープンソースパイプラインである。
標準的なラップトップCPUでのOCT処理は、黄斑または乳頭周囲のBスキャンでは2秒以下、ボリュームスキャンでは85秒以下である。
OCTolyzerはOCT/SLO画像解析の分野における標準化の助けとなり、https://github.com/jaburke166/OCTolyzer.com/OCTolyzerで無料で利用できる。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - SLOctolyzer: Fully automatic analysis toolkit for segmentation and feature extracting in scanning laser ophthalmoscopy images [4.205028392035434]
本研究の目的は、赤外反射レーザースキャン(SLO)画像における網膜血管のオープンソース解析であるSLOctolyzerの導入である。
セグメンテーションモジュールは、深層学習法を用いて網膜解剖を規定し、眼窩と視ディスクを検出する。
測定モジュールは、分割された網膜血管の複雑さ、密度、靭性、口径を定量化する。
論文 参考訳（メタデータ） (2024-06-24T09:16:17Z) - Domain-specific augmentations with resolution agnostic self-attention mechanism improves choroid segmentation in optical coherence tomography images [3.8485899972356337]
脈絡膜は眼の重要な血管層であり、網膜光受容体に酸素を供給する。
現在、コロイドを測定するには、独立した半自動および深層学習に基づく複数のアルゴリズムを使う必要がある。
我々は、コロイドセグメンテーション(REACH)のためのロバストで解像度に依存しない、効果的な注意に基づくネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T11:35:23Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 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) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - A novel optical needle probe for deep learning-based tissue elasticity
characterization [59.698811329287174]
光コヒーレンスエラストグラフィー(OCE)プローブは針挿入のために提案されているが、今のところ必要な負荷感知能力は欠如している。
針先端での光コヒーレンストモグラフィ(OCT)イメージングと負荷検出を同時に行う新しいOCEニードルプローブを提案する。
論文 参考訳（メタデータ） (2021-09-20T08:29:29Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Exploiting the Transferability of Deep Learning Systems Across
Multi-modal Retinal Scans for Extracting Retinopathy Lesions [11.791160309522013]
本稿では,網膜病変抽出のためのセマンティックセグメンテーション,シーン解析,ハイブリッドディープラーニングシステムの詳細な評価を行う。
複数の網膜スキャナーの仕様にまたがってこれらのモデルの転送可能性を活用する新しい戦略を提案する。
概して、ResNet-50を介してバックボンドされたハイブリッド網膜分析およびグレーディングネットワーク(RAGNet)は、網膜の病変を抽出するために最初に立ち上がった。
論文 参考訳（メタデータ） (2020-06-04T06:25:25Z) - Automated segmentation of retinal fluid volumes from structural and
angiographic optical coherence tomography using deep learning [2.041049231600541]
我々は,光コヒーレンストモグラフィー(OCT)ボリュームで網膜液を分画するための,網膜流体ネットワーク(ReF-Net)と呼ばれる深部畳み込みニューラルネットワーク(CNN)を提案した。
ReF-Netの訓練と試験には断面CTと血管造影(OCTA)スキャンが用いられた。
ReF-Netは網膜液分画において高い精度(F1 = 0.864 +/-0.084)を示す。
論文 参考訳（メタデータ） (2020-06-03T22:55:47Z)
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。