基于深度学习的多模态眼科图像回归预测

摘要：

青光眼是世界第二大致盲性眼病,视网膜神经纤维层(RNFL)缺损是诊断青光眼的重要特征.在临床应用中主要采用光学相干断层扫描(OCT)测量RNFL厚度.然而在我国的多数中小型医院和体检中心,只有眼底照相机而不具备OCT设备.因此利用眼底照和OCT的多模态数据,设计了一种基于眼底照来预测RNFL厚度的深度残差回归神经网络.该网络通过眼底照中的局部区域信息预测此区域的RNFL厚度,并对视盘外围一周范围内的RNFL厚度给出全面的刻画.在一个来自北京同仁医院的真实数据集上的实验结果显示,本文算法预测的RNFL厚度值与OCT测量值具有高度的一致性(对于正常眼平均绝对误差EMA=14.884,Pearson相关系数r=0.885,决定系数R2 =0.781;对于青光眼EMA=15.108,r=0.872,R2=0.754).评估结果表明所提方法对基于眼底照预测RN-FL厚度具有良好的临床实用性.

关键词：青光眼、视网膜神经纤维层、眼底照、深度学习

所属期刊栏目：48

分类号：O29(应用数学)

资助基金：国家自然科学基金U1830107

在线出版日期：2021-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：81-87