Biblioteca122.739 documentos en línea

Artículo

Glaucoma Diagnosis with Machine Learning Based on Optical Coherence Tomography and Color Fundus ImagesDiagnóstico de glaucoma con aprendizaje automático basado en tomografía de coherencia óptica e imágenes de fondo de ojo en color

Resumen

El objetivo de este estudio era desarrollar un algoritmo basado en aprendizaje automático para el diagnóstico de glaucoma en pacientes con glaucoma de ángulo abierto, basado en datos de tomografía de coherencia óptica (OCT) tridimensional e imágenes de fondo de ojo en color. En este estudio se incluyeron 208 ojos glaucomatosos y 149 sanos, y se capturaron imágenes de fondo de ojo en color y datos volumétricos de OCT del disco óptico y el área macular de estos ojos con una OCT de dominio espectral (3D OCT-2000, Topcon). Se crearon mapas de grosor y desviación con un algoritmo de segmentación. Se utilizó el aprendizaje por transferencia de una red neuronal convolucional (CNN) con los siguientes tipos de imágenes de entrada: (1) imagen de fondo de ojo del disco óptico en formato de escala de grises, (2) mapa de grosor de la capa de fibras nerviosas de la retina (RNFL) del disco, (3) mapa de grosor del complejo de células ganglionares (GCC) macular, (4) mapa de desviación de la RNFL del disco y (5) mapa de desviación del GCC macular. Para entrenar la CNN se realizaron aumentos y abandonos de datos. Para combinar los resultados de cada modelo de CNN, se entrenó un bosque aleatorio (RF) para clasificar las imágenes del fondo del disco de ojos sanos y glaucomatosos utilizando la representación del vector de características de cada imagen de entrada, eliminando la segunda capa totalmente conectada. Para evaluar los modelos se utilizó el área bajo la curva receiver operating characteristic (AUC) de una validación cruzada (CV) de 10 veces. Las AUC de 10 CV de las CNN fueron de 0,940 para las imágenes de fondo de ojo en color, 0,942 para los mapas de grosor del RNFL, 0,944 para los mapas de grosor del GCC macular, 0,949 para los mapas de desviación del RNFL discal y 0,952 para los mapas de desviación del GCC macular. La RF que combinaba los cinco modelos CNN por separado mejoró el CV AUC 10 veces hasta 0,963. Por lo tanto, el sistema de aprendizaje automático descrito aquí puede diferenciar con precisión entre sujetos sanos y glaucomatosos basándose en sus imágenes extraídas de datos de OCT e imágenes de fondo de ojo en color. Este sistema debería ayudar a mejorar la precisión diagnóstica en el glaucoma.

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento