論文の概要: 3D Structural Phenotype of the Optic Nerve Head at the Intersection of Glaucoma and Myopia - A Key to Improving Glaucoma Diagnosis in Myopic Populations

• arxiv url: http://arxiv.org/abs/2503.19083v1
• Date: Mon, 24 Mar 2025 19:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:18.642698
• Title: 3D Structural Phenotype of the Optic Nerve Head at the Intersection of Glaucoma and Myopia - A Key to Improving Glaucoma Diagnosis in Myopic Populations
• Title（参考訳）: 緑内障と近視間隙における視神経の3次元構造解析 : 緑内障診断の要点
• Authors: Swati Sharma, Fabian A. Braeu, Thanadet Chuangsuwanich, Tin A. Tun, Quan V Hoang, Rachel Chong, Shamira Perera, Ching-Lin Ho, Rahat Husain, Martin L. Buist, Tin Aung, Michaël J. A. Girard,
• Abstract要約: 緑内障、高近視、同時性高近視、緑内障患者の視神経頭の構造的表現型(ONH)を特徴付ける。 3D点雲をH、HM、G、HMGの4つのONH条件に分類するために、特殊なアンサンブルネットワークを開発した。 分類ネットワークは、H、HM、G、HMGのクラスを、独立したテストセットで平均0.92$pm$0.03のAUCで区別し、高い精度を達成した。
• 参考スコア（独自算出の注目度）: 0.3818338427088651
• License:
• Abstract: Purpose: To characterize the 3D structural phenotypes of the optic nerve head (ONH) in patients with glaucoma, high myopia, and concurrent high myopia and glaucoma, and to evaluate their variations across these conditions. Participants: A total of 685 optical coherence tomography (OCT) scans from 754 subjects of Singapore-Chinese ethnicity, including 256 healthy (H), 94 highly myopic (HM), 227 glaucomatous (G), and 108 highly myopic with glaucoma (HMG) cases. Methods: We segmented the retinal and connective tissues from OCT volumes and their boundary edges were converted into 3D point clouds. To classify the 3D point clouds into four ONH conditions, i.e., H, HM, G, and HMG, a specialized ensemble network was developed, consisting of an encoder to transform high-dimensional input data into a compressed latent vector, a decoder to reconstruct point clouds from the latent vector, and a classifier to categorize the point clouds into the four ONH conditions. Results: The classification network achieved high accuracy, distinguishing H, HM, G, and HMG classes with a micro-average AUC of 0.92 $\pm$ 0.03 on an independent test set. The decoder effectively reconstructed point clouds, achieving a Chamfer loss of 0.013 $\pm$ 0.002. Dimensionality reduction clustered ONHs into four distinct groups, revealing structural variations such as changes in retinal and connective tissue thickness, tilting and stretching of the disc and scleral canal opening, and alterations in optic cup morphology, including shallow or deep excavation, across the four conditions. Conclusions: This study demonstrated that ONHs exhibit distinct structural signatures across H, HM, G, and HMG conditions. The findings further indicate that ONH morphology provides sufficient information for classification into distinct clusters, with principal components capturing unique structural patterns within each group.
• Abstract（参考訳）: 目的:緑内障・高近視・高近視・緑内障患者における視神経頭部の構造的表現型(ONH)を特徴付けること。 参加者: 健常者256名(H), 高明度者94名(HM), 緑内障患者227名(G), 高明度者108名(HMG)の計685名を対象にOCTスキャンを行った。 方法: OCTボリュームから網膜組織と結合組織を分離し, 境界縁を3次元点雲に変換した。 3次元点群を4つのONH条件(H,HM,G,HMG)に分類するために,高次元入力データを圧縮潜在ベクトルに変換するエンコーダと,遅延ベクトルから点群を再構成するデコーダと,点群を4つのONH条件に分類する分類器とからなる,特殊なアンサンブルネットワークを開発した。 結果: 分類ネットワークはH, HM, G, HMGのクラスを, 独立したテストセットで平均0.92$\pm$ 0.03のAUCで識別し, 高い精度を達成した。 デコーダは事実上点雲を再構築し、シャムファーの損失は0.013$\pm$ 0.002となった。 OnHsを4つの異なるグループに分類し, 網膜と結合組織厚の変化, 円盤の傾きと伸展, 深部, 深部, 深部などの眼球形態の変化などの構造的変化を明らかにした。 結論: 本研究はONHsがH, HM, G, HMGの条件で異なる構造的シグネチャを示すことを示した。 以上の結果から,ONH形態学は個々のクラスタに分類するのに十分な情報を提供し,各グループに固有の構造パターンを抽出する主成分となることが示唆された。

関連論文リスト

• 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)
• 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)
• 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)
• 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。