論文の概要: AI to Identify Strain-sensitive Regions of the Optic Nerve Head Linked to Functional Loss in Glaucoma
- arxiv url: http://arxiv.org/abs/2506.17262v1
- Date: Mon, 09 Jun 2025 16:00:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-29 09:28:14.835023
- Title: AI to Identify Strain-sensitive Regions of the Optic Nerve Head Linked to Functional Loss in Glaucoma
- Title(参考訳): 緑内障における視神経の歪感受性領域を同定するAI
- Authors: Thanadet Chuangsuwanich, Monisha E. Nongpiur, Fabian A. Braeu, Tin A. Tun, Alexandre Thiery, Shamira Perera, Ching Lin Ho, Martin Buist, George Barbastathis, Tin Aung, Michaël J. A. Girard,
- Abstract要約: 片眼のONHは,(1)初視と(2)初視で35 mmHgまで上昇した。
下側頭縁と下側頭縁は鍵ひずみ感受性領域と同定され,視野障害の予測に最も寄与した。
- 参考スコア(独自算出の注目度): 31.874825130479174
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: (1) To assess whether ONH biomechanics improves prediction of three progressive visual field loss patterns in glaucoma; (2) to use explainable AI to identify strain-sensitive ONH regions contributing to these predictions. Methods: We recruited 237 glaucoma subjects. The ONH of one eye was imaged under two conditions: (1) primary gaze and (2) primary gaze with IOP elevated to ~35 mmHg via ophthalmo-dynamometry. Glaucoma experts classified the subjects into four categories based on the presence of specific visual field defects: (1) superior nasal step (N=26), (2) superior partial arcuate (N=62), (3) full superior hemifield defect (N=25), and (4) other/non-specific defects (N=124). Automatic ONH tissue segmentation and digital volume correlation were used to compute IOP-induced neural tissue and lamina cribrosa (LC) strains. Biomechanical and structural features were input to a Geometric Deep Learning model. Three classification tasks were performed to detect: (1) superior nasal step, (2) superior partial arcuate, (3) full superior hemifield defect. For each task, the data were split into 80% training and 20% testing sets. Area under the curve (AUC) was used to assess performance. Explainable AI techniques were employed to highlight the ONH regions most critical to each classification. Results: Models achieved high AUCs of 0.77-0.88, showing that ONH strain improved VF loss prediction beyond morphology alone. The inferior and inferotemporal rim were identified as key strain-sensitive regions, contributing most to visual field loss prediction and showing progressive expansion with increasing disease severity. Conclusion and Relevance: ONH strain enhances prediction of glaucomatous VF loss patterns. Neuroretinal rim, rather than the LC, was the most critical region contributing to model predictions.
- Abstract(参考訳): 目的: (1)ONHバイオメカニクスが緑内障の3つの進行性視野障害パターンの予測を改善するか否かを評価すること, (2) 説明可能なAIを用いて,これらの予測に寄与する歪感受性ONH領域を特定すること。
方法】緑内障患者は237名であった。
片眼のONHは,(1)一次視線と(2)眼球運動量35mmHgまで上昇した一次視線との2つの条件で観察された。
緑内障専門医は, 特定の視野障害の有無に基づいて, 1) 鼻粘膜上段(N=26), (2) 上半身(N=62), (3) 完全上半身(N=25), (4) その他の非特異的欠損(N=124)の4つのカテゴリーに分類した。
IOP誘発神経組織とラミナ・クリブロサ (LC) 株の計算には, 自動ONH組織分画とデジタルボリューム相関が用いられた。
生体力学的および構造的特徴を幾何学的深層学習モデルに入力した。
1) 上鼻ステップ, (2) 上半月板, (3) 完全上半身欠損の3つの分類課題が検出された。
各タスクについて、データは80%のトレーニングと20%のテストセットに分割された。
曲線下面積(AUC)は性能評価に用いられた。
説明可能なAI技術を使用して、各分類において最も重要なONH領域を強調した。
結果: モデルは0.77-0.88の高AUCを達成し, OnH 株はモルフォロジー以外の VF 損失予測を改善した。
下側頭縁と下側頭縁は重要なひずみ感受性領域として同定され, 視野障害の予測に大きく寄与し, 疾患重症度の増加とともに進行性拡大を示した。
結論と関連性: ONH株は緑内障性VF損失パターンの予測を高める。
LCではなくニューロ網膜縁はモデル予測に最も重要な領域であった。
関連論文リスト
- 3D Structural Phenotype of the Optic Nerve Head at the Intersection of Glaucoma and Myopia - A Key to Improving Glaucoma Diagnosis in Myopic Populations [0.3818338427088651]
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。
論文 参考訳(メタデータ) (2025-03-24T19:14:22Z) - Introducing the Biomechanics-Function Relationship in Glaucoma: Improved Visual Field Loss Predictions from intraocular pressure-induced Neural Tissue Strains [31.874825130479174]
我々は、眼圧(IOP)誘発性神経組織株を計算するために、視神経頭部(ONH)組織の自動分画とデジタルボリューム相関(DVC)分析を利用した。
ハンフリー24-2パターン標準偏差(PSD)マップの完全な予測には、ポイントネット(Point-Net)と呼ばれる頑健な幾何学的深層学習手法が用いられた。
バイオメカニクスが予測精度に与える影響を評価するため,IOP誘発株を含まないモデルの性能を比較した。
論文 参考訳(メタデータ) (2024-06-21T09:00:46Z) - 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) - 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) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - Multi-Scale Convolutional Neural Network for Automated AMD
Classification using Retinal OCT Images [1.299941371793082]
加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。
近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。
様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳(メタデータ) (2021-10-06T18:20:58Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z)
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。