Glau­kom­dia­gnos­tik

Mit 3D-Bildern trainiertes künstliches neuronales Netzwerk erzielt Diagnosegenauigkeit von 94%

11. März 2021

SHANGHAI (Bier­mann) – Die früh­zei­ti­ge Diagno­se und Behand­lung des Glau­koms kann dazu beitra­gen, eine Verschlech­te­rung des Sehver­mö­gens hinaus­zu­zö­gern. Das Scree­ning und die Diagno­se des Glau­koms blei­ben jedoch weiter­hin eine Heraus­for­de­rung, da einige wich­ti­ge Bewer­tungs­kri­te­ri­en wie die Cup-Disc-Ratio durch die subjek­ti­ve Analy­se sowie die Intra- und Inter-Obser­ver­va­ria­bi­li­tät limi­tiert sind.

Künst­li­che neuro­na­le Netz­wer­ke, die mit erwei­ter­ten 3D-Bildern trai­niert wurden, sind jenen Netz­wer­ken über­le­gen, die dafür konven­tio­nel­le 2D-Bilder nutzen. Durch die Nutzung der 3D-Bilder und gefal­te­ter neuro­na­ler Netz­wer­ke werde die Genau­ig­keit der auto­ma­ti­schen Unter­schei­dung von Glau­kom- und Nicht-Glau­kom-Fundus­bil­dern erhöht, so das Ergeb­nis einer in China durch­ge­führ­ten Unter­su­chung. Laut Studi­en­au­toren könne die Metho­de bei der Entwick­lung compu­ter­ge­stütz­ter Diagno­se­sys­te­me zur objek­ti­ven Beur­tei­lung des Glau­koms verwen­det werden.

In ihrer Origi­nal­ar­beit unter­such­ten die Autoren den poten­zi­el­len Wert einer zusätz­li­chen drei­di­men­sio­na­len topo­gra­fi­schen Karte des Sehner­ven­kop­fes (ONH) in Verbin­dung mit neues­ten Deep-Lear­ning-Ansät­zen und gefal­te­ten neuro­na­len Netz­wer­ken. Es wurde eine topo­gra­phi­sche 3D-Karte des ONH- und RGB-Fundus­bil­des verwen­det, um die trans­fe­rier­ten Alex­Net- und VGG-16-Netz­wer­ke zu trai­nie­ren. Die diagnos­ti­sche Leis­tung wurde mit jener vergli­chen, die nur mit den 2D-Fundus­bil­dern erzielt wurde.

In ihren Ergeb­nis­sen halten die Autoren fest, dass die topo­gra­fi­sche 3D-Karte des ONH eine besse­re Visua­li­sie­rung der Papil­len­struk­tur und Exka­va­ti­on bietet. Dieser neue verbes­ser­te Daten­satz wurde verwen­det, um die Deep-Lear­ning-Netz­wer­ke zu trai­nie­ren und schließ­lich eine Diagno­se­ge­nau­ig­keit von 94,3% zu errei­chen. Dieses Netz­werk war damit jenen Netz­wer­ken über­le­gen, die mit konven­tio­nel­len 2D-Bildern trai­niert wurden.

(isch)

Autoren: Wang P et al.
Korrespondenz: Jiuai Sun; sunja@sumhs.edu.cn
Studie: 3D augmented fundus images for identifying glaucoma via transferred convolutional neural networks
Quelle: Int Ophthalmol 2021 Mar 3.
Web: https://doi.org/10.1007/s10792-021-01762-9

html

Aus rechtlichen Gründen (Heilmittelwerbegesetz) dürfen wir die Informationen nur an Fachkreise weitergeben.