(跳过导航)
狗万体育下载地址《美国医学会杂志》网络的家
图1所示。视觉功能和实际值之间的相关性估计价值的深度学习模型
视觉功能和实际值之间的相关性估计价值的深度学习模型

相关性属于所有的目光组。BCVA表明最佳矫正视力;CENT12,意味着中央12个测试点的敏感性在汉弗莱场上分析仪;医学博士和平均偏差在汉弗莱分析仪。

图2。Bland-Altman块视觉功能深度学习的实际值和估算的值之间
Bland-Altman块视觉功能深度学习的实际值和估算的值之间

Bland-Altman情节属于所有人的目光。超过95%的差异,医学价值所在范围内的协议。然而,比例偏差在BCVA突出,存在于MD(相关系数0.45;95%置信区间,0.34 - -0.55;P<措施),CENT12(相关系数0.42;95%置信区间,0.31 - -0.53;P<措施)和BCVA(相关系数0.83;95%置信区间,0.79 - -0.87;P<措施)。没有固定的偏见在MD(平均差,0.11;95%可信区间,0.82−1.05;P结果=)或CENT12(平均差,0.32;95%可信区间,0.56−1.21;P=),而有一个固定的偏见BCVA(平均差,0.25;95%置信区间,0.18 - -0.32;P<措施)。BCVA表明最佳矫正视力;CENT12,意味着中央12个测试点的敏感性在汉弗莱场上分析仪;医学博士和平均偏差在汉弗莱分析仪。

图3。代表Ultra-Widefield眼底自发荧光(UWFAF)图像和热图图像
代表Ultra-Widefield眼底自发荧光(UWFAF)图像和热图图像

当汉弗莱场分析仪上的平均偏差估计使用深度学习(DL)模型的视觉几何Group-16 (A和B)和InceptionV3 (C和D),热量地图图像叠加在UWFAF图像合成图像。

表1。临床特征的参与者和积极的对焦环和那些消极的对焦环
临床特征的参与者和积极的对焦环和那些消极的对焦环
表2。视觉功能和实际值之间的相关性估计价值的深度学习模型一个
视觉功能和实际值之间的相关性估计价值深度学习模型
1。
小Heckenlively。RP遗传性锥体杆体变性。反式是角膜切削Soc。1987;85:438 - 470。PubMed 谷歌学术搜索
2。
Dryja TP,麦基TL,哈恩磅,视紫红质内et al .突变基因常染色体显性遗传视网膜色素变性患者。N拉米夫地中海。1990;323 (19):1302 - 1307。doi:10.1056 / NEJM199011083231903PubMed 谷歌学术搜索 Crossref
3所示。
皮尔N,“Grodsky JD,卡普兰HJ。基因治疗色素性视网膜炎。台湾J角膜切削。2021;11 (4):348 - 351。doi:10.4103 / tjo.tjo_47_21PubMed 谷歌学术搜索 Crossref
4所示。
夸克JJ,金正日HR,机构SH。第一个体内基因治疗的短期结果rpe65-mediated色素性视网膜炎。延世医疗J。2022,63 (7):701 - 705。doi:10.3349 / ymj.2022.63.7.701PubMed 谷歌学术搜索 Crossref
5。
Florido, Vingolo EM, Limoli P,师范学院L。间充质干细胞治疗色素性视网膜炎:简短的评论。J干细胞Res开发。2021;7:066。doi:10.24966 / SRDT-2060/100066 Crossref
6。
冯Ruckmann, Fitzke FW,鸟AC。色素上皮细胞自体荧光的分布在视网膜疾病状态记录体内及其随时间变化。graef拱Exp角膜切削。1999年,237 (1):1 - 9。doi:10.1007 / s004170050186PubMed 谷歌学术搜索 Crossref
7所示。
罗布森AG),伊根CA,陈德良VA,鸟AC,持有人GE, Fitzke FW。比较快的明和暗fine-matrix映射在视网膜色素变性患者和正常的视力。投资角膜切削力Sci。2004;45 (11):4119 - 4125。doi:10.1167 / iovs.04 - 0211PubMed 谷歌学术搜索 Crossref
8。
Schmitz-Valckenberg, Holz FG,鸟AC, Spaide射频。眼底自发荧光成像:评论和观点。视网膜。28 2008;(3):385 - 409。doi:10.1097 / IAE.0b013e318164a907PubMed 谷歌学术搜索 Crossref
9。
荻野教授K Oishi,, Makiyama Y,中川,Kurimoto米,Yoshimura N。色素性视网膜炎的广角眼底自发荧光成像。眼科学。2013,120 (9):1827 - 1834。doi:10.1016 / j.ophtha.2013.01.050PubMed 谷歌学术搜索 Crossref
10。
加藤Ogura, Yasukawa T,, et al .广角眼底自发荧光成像评估患者的视网膜功能色素性视网膜炎。是J角膜切削。2014,158 (5):1093 - 1098。doi:10.1016 / j.ajo.2014.07.021PubMed 谷歌学术搜索 Crossref
11。
格林斯坦VC,Duncker, T, Holopigian K, et al。结构和功能改变与正常和异常的患者眼底自发荧光色素性视网膜炎。视网膜。2012年,32 (2):349 - 357。doi:10.1097 / IAE.0b013e31821dfc17PubMed 谷歌学术搜索 Crossref
12。
Aizawa, Mitamura Y,Hagiwara,山本Sugawara T,。眼底自发荧光的变化,光感受器内外段结线,和患者的视觉功能色素性视网膜炎。中国Exp角膜切削。38 2010;(6):597 - 604。doi:10.1111 / j.1442-9071.2010.02321.xPubMed 谷歌学术搜索 Crossref
13。
Hagiwara,Mitamura Y, Kumagai K,山本巴巴T,。光感受器损伤光学相干层析图像在视网膜色素变性患者。Br J角膜切削。2013,97 (2):237 - 238。doi:10.1136 / bjophthalmol - 2012 - 302510PubMed 谷歌学术搜索 Crossref
14。
Mitamura Y, Mitamura-Aizawa,Katome T, et al。光感受器损伤和修复在光学相干层析图像。J角膜切削。2013;2013:518170。doi:10.1155 / 2013/518170PubMed 谷歌学术搜索 Crossref
15。
郎Mitamura Y, Aizawa,巴巴T,山本Hagiwara,。相关性视网膜敏感性和感光视网膜色素变性患者的内/外节结。Br J角膜切削。2009,93 (1):126 - 127。doi:10.1136 / bjo.2008.141127PubMed 谷歌学术搜索 Crossref
16。
勒存Y,Bengio Y,辛顿G。深度学习。自然。2015,521 (7553):436 - 444。doi:10.1038 / nature14539PubMed 谷歌学术搜索 Crossref
17所示。
刘晓波,,Cai W,等;ADNI。多通道神经影像学特征学习的多级诊断阿尔茨海默氏症。IEEE反式生物医学中。2015,62 (4):1132 - 1140。doi:10.1109 / TBME.2014.2372011PubMed 谷歌学术搜索 Crossref
18岁。
Litjens G,桑切斯CI, Timofeeva N, et al .深度学习作为一个工具,增加组织病理学诊断的准确性和效率。Sci代表。2016;6:26286。doi:10.1038 / srep26286PubMed 谷歌学术搜索 Crossref
19所示。
彭Gulshan V,, Coram M, et al .深入学习算法的开发和验证检测糖尿病视网膜病变视网膜眼底照片。《美国医学会杂志》。2016;316 (22):2402 - 2410。doi:10.1001 / jama.2016.17216PubMed 谷歌学术搜索 Crossref
20.
Pinaya WH,Gadelha,柯南道尔OM,等。利用深层信念网络模型描述不同的大脑形态测量学精神分裂症。Sci代表。2016;6:38897。doi:10.1038 / srep38897PubMed 谷歌学术搜索 Crossref
21。
杨继金H, Tabuchi H, Nakakura, et al .深处的卷积神经网络检测精度的色素性视网膜炎ultrawide-field图像。PeerJ。2019;7:e6900。doi:10.7717 / peerj.6900PubMed 谷歌学术搜索 Crossref
22。
Nagasato D, Tabuchi H, Ohsugi H, et al .深度学习分类器与ultrawide-field眼底检眼镜检查检测视网膜分支静脉阻塞。Int J角膜切削。2019;12 (1):94 - 99。PubMed 谷歌学术搜索
23。
Nagasato D, Tabuchi H, Ohsugi H, et al .深层神经网络检测方法使用ultrawide-field眼底眼底视网膜中央静脉阻塞。J角膜切削。2018;2018:1875431。PubMed 谷歌学术搜索
24。
Nagasawa T,Tabuchi H,杨继金H, et al .深度学习的准确性,机器学习技术,使用ultra-wide-field眼底检眼镜检查检测特发性黄斑孔。PeerJ。2018;6:e5696。doi:10.7717 / peerj.5696PubMed 谷歌学术搜索 Crossref
25。
杨继金H, Tabuchi H, Nakakura, Ishitobi N,杨爱瑾米,Enno H。深度学习分类器与一个ultrawide-field扫描激光检眼镜检测青光眼视野严重性。J青光眼。2018;27 (7):647 - 652。doi:10.1097 / IJG.0000000000000988PubMed 谷歌学术搜索 Crossref
26岁。
Ohsugi H,Tabuchi H, H Enno, Ishitobi N。深度学习的准确性,机器学习技术,使用ultra-wide-field眼底检眼镜检查检测裂孔性视网膜脱离。Sci代表。2017;7 (1):9425。doi:10.1038 / s41598 - 017 - 09891 - xPubMed 谷歌学术搜索 Crossref
27。
世界医学协会。世界医学协会赫尔辛基宣言:伦理原则涉及人类受试者的医学研究。《美国医学会杂志》。2013;310 (20):2191 - 2194。doi:10.1001 / jama.2013.281053 Crossref
28。
霍夫曼MB,巴赫米,近藤M, et al . ISCEV标准临床多病灶的electroretinography (mfERG)(2021更新)。医生角膜切削。2021年,142 (1):5-16。doi:10.1007 / s10633 - 020 - 09812 - wPubMed 谷歌学术搜索 Crossref
29。
Simonyan K,安德鲁·Z。很深的卷积网络大规模图像识别。arXiv。预印本网上发布2014年9月4日。doi:10.48550 / arXiv.1409.1556
30.
任他K,张X,,太阳J。深层残留图像识别的学习。论文发表于:IEEE计算机视觉与模式识别会议(CVPR);2016年6月研究,;内华达州拉斯维加斯。
31日。
Le QV谭米,。Efficientnet:反思模型扩展为卷积神经网络。arXiv。2019年5月28日,预印本网上发布。doi:10.48550 / arXiv.1905.11946
32。
刘黄G, Z, Van Der Maaten L,温伯格KQ。人口卷积网络连接。arXiv。预印本网上发布8月25日,2016年。doi:10.48550 / arXiv.1608.06993
33。
约飞年代Szegedy C, Vanhoucke V,, Shlens J,Wojna Z。重新考虑初始架构计算机视觉。arXiv。预印本网上发布8月25日,2016年。doi:10.48550 / arXiv.1512.00567
34。
Mitani Babenko B,, Traynis我,et al .检测疾病的迹象在外部通过深度学习的照片眼睛。Nat生物医学中。2022;6 (12):1370 - 1383。doi:10.1038 / s41551 - 022 - 00867 - 5PubMed 谷歌学术搜索 Crossref
35。
Mosteller F,图基JW。数据分析,包括统计数据。E: Lindzey G, Aronson, eds。社会心理学手册。addison - wesley;1968:80 - 203。
36。
Kohavi R。交叉验证的研究和引导精度估计和模型选择。2021年4月5日通过。https://ai.stanford.edu/ ~ ronnyk / accEst.pdf
37岁。
Agrawal P, Girshick R,马利克J。分析了多层神经网络的目标识别性能。arXiv。预印本网上发布的7月7日,2014年。doi:10.48550 / arXiv.1407.1610
38。
Keras。TensorFlow。2021年6月7日通过。https://github.com/tensorflow/tensorflow
39岁。
穆勒罗姆M, Tresp V,, et al .预测视力利用机器学习在病人治疗新生血管性年龄相关性黄斑变性。眼科学。2018,125 (7):1028 - 1036。doi:10.1016 / j.ophtha.2017.12.034PubMed 谷歌学术搜索 Crossref
40。
刘备B B,,, et al。自动预测糖尿病黄斑水肿患者的治疗结果的使用整体机器学习。安Transl地中海。2021;9 (1):43。doi:10.21037 / atm - 20 - 1431PubMed 谷歌学术搜索 Crossref
41岁。
Kugelman J,Alonso-Caneiro D,陈Y, et al .视网膜黄斑变性疾病边界分割使用自动深度学习光学相干断层扫描图像。Transl Vis Sci抛光工艺。2020;9 (11):12。doi:10.1167 / tvst.9.11.12PubMed 谷歌学术搜索 Crossref
42。
彭H,龚W,贝克曼CF,Vedaldi,史密斯SM。准确的大脑年龄与轻量级深层神经网络预测。医学图像肛门。2021;68:101871。doi:10.1016 / j.media.2020.101871PubMed 谷歌学术搜索 Crossref
43。
威尔默特CJ,松浦K。优势的平均绝对误差(MAE)的均方根误差(RMSE)在评估平均模型的性能。这一物。2005;30 (1):79 - 82。doi:10.3354 / cr030079谷歌学术搜索 Crossref
44岁。
汉瑞达。贝叶斯推理为方差组件只使用错误的对比。生物统计学。1974,61 (2):383 - 385。doi:10.1093 / biomet / 61.2.383谷歌学术搜索 Crossref
45岁。
Statsmodels。2022年11月2日更新。2022年5月16日通过。https://www.statsmodels.org/
46岁。
SciPy。2022年5月16日通过。https://github.com/scipy/scipy
47岁。
王H,王Z,杜米,et al . Score-CAM: score-weighted视觉解释卷积神经网络。论文发表于:IEEE计算机视觉与模式识别会议(CVPR);14 - 19 6月,2020;西雅图,华盛顿州。
48。
tf-keras-vis。2022年6月11日通过。https://github.com/keisen/tf-keras-vis
49。
PopovićP,Jarc-Vidmar米,Hawlina M。眼底自发荧光与异常患者的视网膜功能色素性视网膜炎。graef拱Exp角膜切削。2005,243 (10):1018 - 1027。doi:10.1007 / s00417 - 005 - 1186 - xPubMed 谷歌学术搜索 Crossref
50。
小野井上桥本Y,,,等。一种新颖的方法的客观识别hyperautofluorescent环在色素性视网膜炎使用二值化处理。Transl Vis Sci抛光工艺。2019;8 (1):20。doi:10.1167 / tvst.8.1.20PubMed 谷歌学术搜索 Crossref
51。
邓Russakovsky O,,苏H, et al . Imagenet大规模视觉识别的挑战。Int J第一版活力。2015,115 (3):211 - 252。doi:10.1007 / s11263 - 015 - 0816 - y谷歌学术搜索 Crossref
52岁。
谢李CY,,加拉格尔P,张Z,你Z。Deeply-supervised网。论文发表于:18人工智能国际会议上和统计;2015年5月9 - 12日;圣地亚哥,CA。
53岁。
VC利马LH,伯克T,格林斯坦,et al .进步hyperautofluorescent环的收缩色素性视网膜炎。是J角膜切削。2012,153 (4):718 - 727,727. e1 - 727. - e2。doi:10.1016 / j.ajo.2011.08.043PubMed 谷歌学术搜索 Crossref
54。
罗布森AG),赛汗Z,詹金斯SA, et al .功能描述和串行成像异常患者眼底自发荧光色素性视网膜炎和正常视力。Br J角膜切削。2006,90 (4):472 - 479。doi:10.1136 / bjo.2005.082487PubMed 谷歌学术搜索 Crossref
55。
柯尔尼Kellner U,,韦伯BH,Fiebig B, Weinitz,Ruether K。脂褐质,melanin-related眼底自发荧光可视化不同视网膜色素上皮改变色素性视网膜炎患者。眼睛(Lond)。2009;23 (6):1349 - 1359。doi:10.1038 / eye.2008.280PubMed 谷歌学术搜索 Crossref
56。
井上T,中岛以K,桥本Y, et al .视野敏感性的预测方法在色素性视网膜炎患者使用眼底自发荧光图像。投资角膜切削力Sci。2020,61 (10):51。doi:10.1167 / iovs.61.10.51PubMed 谷歌学术搜索 Crossref
57。
凌刘TYA,,哈恩L,琼斯CK,女士恩CJ,辛格。视力损害的预测使用深度学习和多通道眼底图像色素性视网膜炎。Br J角膜切削。2022年7月27日在线发表。doi:10.1136 / bjo - 2021 - 320897PubMed 谷歌学术搜索 Crossref
58岁。
井上李J,浅野,,等。调查在色素性视网膜炎眼底自发荧光的有用性。角膜切削视网膜。2018;2 (10):1062 - 1070。doi:10.1016 / j.oret.2018.03.007PubMed 谷歌学术搜索 Crossref
59。
林Sujirakul T,可,Duong J,魏Y, Lopez-Pintado,曾荫权SH。中央视网膜疾病进展的多通道成像2年意味着后续色素性视网膜炎。是J角膜切削。2015,160 (4):786 - 798。doi:10.1016 / j.ajo.2015.06.032PubMed 谷歌学术搜索 Crossref
60。
桦树DG,洛克公斤,温家宝Y,洛克KI,博士霍夫曼罩直流。Spectral-domain外节层的光学相干断层扫描措施进展患者x连锁色素性视网膜炎。JAMA角膜切削。2013,131 (9):1143 - 1150。doi:10.1001 / jamaophthalmol.2013.4160PubMed 谷歌学术搜索 Crossref
的观点 1765年
最初的调查
2月23日,2023年

估计的视觉功能利用Ultra-Widefield眼底图像的深度学习的眼睛和色素性视网膜炎

作者的从属关系
  • 1眼科学系Saneikai Tsukazaki医院,姬路城,日本
  • 2眼科学系、生物医学科学研究所的德岛大学研究生院,日本德岛
  • 3技术和设计思考医学系,广岛大学研究生院,日本广岛
  • 4眼科及视觉科学,京都大学医学院毕业,日本京都
  • 5眼科及视觉科学,生物医学科学研究生院,长崎大学、日本长崎
  • 6研究中心,科比城市眼科医院,日本神户
  • 7理研中心实验室视网膜再生,生物系统动力学研究,日本神户
  • 8视力保健公司、日本神户
  • 9眼科及视觉科学,千叶大学医学院毕业,日本千叶
JAMA角膜切削。 2023年2月23日在线发表。doi: 10.1001 / jamaophthalmol.2022.6393
要点

问题人工智能可以估计眼睛的视觉功能与ultra-widefield色素性视网膜炎眼底图像吗?

发现在这个多中心横断面研究的695例患者的1274只眼睛视网膜色素变性,标准化回归系数估计视力0.309是基于ultra-widefield眼底自发荧光图像使用深度学习模型,估计的0.684的平均偏差汉弗莱现场分析仪,和0.697在评估视网膜中央的敏感度。

意义研究结果表明,该估计方法的视觉功能使用人工智能和ultra-widefield眼底自发荧光图像有助于客观地评价色素性视网膜炎的进展。

文摘

重要性没有普遍有效的治疗停止色素性视网膜炎的进展。因此,适当的评估和估计剩余视觉功能临床很重要。

客观的检查深度学习是否能准确估计色素性视网膜炎患者的视觉功能通过使用ultra-widefield眼底图像获得的并发访问。

设计,设定和参与者数据对于这个多中心回顾性收集横断面研究之间的1月1日,2012年,和2018年12月31日。这项研究包括695名连续色素性视网膜炎患者进行5点机构。每个3类型的输入images-ultra-widefield伪彩色图像,ultra-widefield眼底自发荧光图像,ultra-widefield伪彩色和眼底自发荧光成像,搭配1 31类型的整体模型由5深度学习模型(视觉几何Group-16,剩余Network-50、InceptionV3 DenseNet121,和EfficientNetB0)。我们使用848、212和214年的训练图像,验证和测试数据,分别。所有数据从1机构被用于独立的测试数据。2021年数据分析了从6月7日,2022年12月5日。

主要结果和措施汉弗莱场分析仪上的平均偏差,视网膜中央的敏感性,最佳矫正视力是估计的。图像type-ensemble模型结合,产生最小的平均绝对误差被定义为最好的模型估计精度。包括眼睛的偏差后的广义线性混合模型,测试数据的实际值之间的相关性和估计的值最好的精度模型被计算标准化回归系数和检查P值。

结果这项研究包括695名患者的1274只眼睛。共有385名患者是女性(55.4%)、和(SD)的平均年龄为53.9(17.2)年。3类型的图像中,该模型使用ultra-widefield眼底自发荧光图像仅为平均偏差提供了最好的估计精度,中央敏感性,和视力。标准化回归系数分别为0.684 (95% CI, 0.567 - -0.802)的平均偏差估计,为0.697 (95% CI, 0.590 - -0.804)中央灵敏度估计,和0.309 (95% CI, 0.187 - -0.430)视力评估(所有P<措施)。

结论和意义本研究的结果表明,视网膜色素变性患者的视觉功能估计ultra-widefield眼底自发荧光图像使用深度学习可能有助于客观地评估疾病进展。研究结果还表明,深度学习模型可能会在后续监控色素性视网膜炎有效的进展。

介绍

视网膜色素变性(RP)是与许多photoreceptor-specific基因变异有关。因此,光感受器细胞的退化呈现不同的渐进模式。1,2虽然新的治疗RP正在开发,3- - - - - -5当前实践主要包括照顾剩余视觉功能和手术或药物治疗的并发症。因此,一个适当的临床评价和估算方法对剩余RP患者的视觉功能。

眼底自发荧光(快)反映了视网膜色素上皮功能的可视化的积累脂褐质。6眼底自发荧光图像的RP患者在疾病的早期阶段,显示hyperfluorescence而hypofluorescence对应于病变在以后的阶段。在典型的RP,对焦环,代表了更进一步的hyperfluorescent环图像,可以观察到边境分离视网膜功能的失调。7,8Ultra-widefield伪彩色(UWPC)和Ultra-widefield更进一步使用激光扫描检眼镜(UWFAF)成像使临床医生能够获得眼底图像的200°角视图很容易和无创。几项研究已经报道更进一步的结果之间的相关性,如房颤环在RP,每发现以下技术:Goldmann视野测量,汉弗莱场分析仪(HFA)和光学相干断层扫描(OCT)。9- - - - - -15

近年来,图像处理方法使用深度学习(DL)模型应用于各种诊断成像的应用程序。16- - - - - -20.以前,我们报道的几个应用图像处理技术在眼科使用DL。21- - - - - -26然而,我们相信,很少有应用程序使用DL模型的图像处理技术定量估计RP的视觉功能。在这项研究中,我们调查是否DL模型可以估计患者的视觉功能RP使用ultra-widefield眼底图像获得的并发访问。

方法
研究设计和概述

多中心,这种回顾性横断面研究从2012年1月1日至12月31日,2018年,根据《赫尔辛基宣言》27,机构审查委员会批准Saneikai Tsukazaki医院,德岛大学、京都大学,千叶大学,和科比城市眼科医院,日本;和书面知情同意没有动机是获得所有的病人。本研究遵循加强流行病学的观察性研究报告(选通脉冲)报告指南。

我们检索UWPC UWFAF图像和临床数据的连续RP患者的临床数据库5提到的机构。我们诊断基于RP患者的临床结果和荧光素血管造影结果和细致的网膜电图记录协议符合国际社会对临床电生理学的视觉标准。28所有RP患者显示独特的眼底发现,如视网膜血管收缩,视神经萎缩,bone-spicule色素聚集,与electroretinography rod-cone营养不良,检测到。我们排除了非典型RP患者,如单方面或部门RP,和葡萄膜炎或其他条件可以用眼底发现类似于RP礼物。眼睛茂密的白内障,杜绝ultra-widefield扫描激光检眼镜检查、黄斑水肿、外层膜,或者近视后葡萄肿也被排除在外。共有1274张图片获得从695年的1274只眼睛RP患者进行了研究,1每只眼睛的形象。对焦环的存在与否UWFAF图片确认。对焦环的存在决定独立2作者(t . Sogawa和t .筱原),对他们来说,临床数据掩盖了。在分歧的情况下,另一个作者(主机)加入了讨论和协助最后的决定。在这种背景下,419名患者的757只眼睛对焦环,而304名患者的517只眼睛没有它。

我们获得了“所有人”的UWPC和UWFAF图像组使用ultra-widefield扫描激光检眼镜(光电子200 tx;光电子PLC),我们测量了最佳矫正视力(BCVA),平均偏差(MD)和平均灵敏度中央12测试点(CENT12)使用HFA 10 - 2程序(卡尔蔡司Meditec制造AG)。朗道尔BCVA是衡量标准日本视力图的测试距离5米,是纠正主观和客观的基础上折射测试结果,并被转换成logMAR单位。我们使用了瑞典交互式阈值算法HFA测量标准的测试算法。所有在同一天进行眼科检查。所有的目光数据集包括3类型的输入图像:UWPC, UWFAF UWPC和UWFAF图片。DL模型估计MD、CENT12 BCVA组所有的目光。

检查是否存在与否的对焦环与DL模型的估计精度,我们准备好的数据集的对焦环的存在与否只使用UWFAF图像。之后,我们分析了总共6 DL的模式模型估计医学博士CENT12, BCVA两组,AF戒指现在或缺席。

DL模型及其训练

构建整体模型,我们使用以下5 DL模型:视觉几何Group-16剩余Network-50 InceptionV3, DenseNet121, EfficientNetB0。因为有31组合构建一个模型组成的1到5模型使用这5个DL模型,建立了31个不同的整体模型。这些模型训练后,我们评估每个人的表现。29日- - - - - -33在所有的目光组中,我们使用848年,212年和214年从病人的图像数据的训练,验证和测试数据,分别。与房颤组环现在或缺席,我们使用502年和343年的训练数据图像,126年和86年的图像验证数据,测试数据和129年和88年的图像,分别。数据的分割是在病人的水平。千叶大学的所有数据被用于独立测试数据而不是训练或验证。

原ultra-widefield眼底图像的长宽比是3900×3072像素。一项研究报道,DL模型的性能取决于图像分辨率和种植范围。34我们的初步研究表明,估计精度高的图像没有种植的512×512像素(eAppendix eFigure 1 eTable 1和eTable 2补充1)。因此,进一步分析后没有裁剪图像大小为512×512像素。因为RGB(红、绿、蓝色)图像输入范围从0到255,我们的价值除以255和归一化到0到1的范围。然后我们训练有素的深层神经网络通过使用数据增强技术对于每个时代,如亮度调整,伽马校正,噪声增加。21- - - - - -23UWPC和UWFAF估计的图像,我们使用2图像模式通过不同的卷积神经网络和添加一个网络相结合。

在网络训练过程中,我们使用相同的过程就像在以前的报告,26,29日- - - - - -31日,35,36压扁过程。对于剩下的流程,我们执行全球平均池在二维数据转换成1维度。获得的数据被压缩至256辆通过使用一个完全连接层,我们再次使用输出1的值。连接网络,每个输入UWFAF和UWPC图像被压缩为256单位的特性和连接。然后他们通过64单位,完全连接层和输出作为一个单一的评估。

至于学习转移,我们执行微调或完全再培训使用的参数模型,学会了ImageNet数据集(斯坦福视觉实验室)的初始值前的层压扁过程。这个步骤启用网络实现高性能即使少量的数据。37我们与Keras进行模型训练和验证,Python TensorFlow的应用程序编程接口。38

统计分析

为每个3所有的目光组的图像类型,我们估计31的视觉功能不同的DL整体模型。然后我们评估的性能估计93年视觉函数类型的总image模型组合,这是93年模式得到31套模型结合3类型的图像。同样,我们使用这些31 DL模型来估计UWFAF图像的视觉功能单独与房颤组环现在或缺席。当DL模型相结合构建一个模型,平均每个模型的输出作为整体模型的输出。验证数据被用来确定哪些整体模型是最优的。我们计算的平均绝对误差(MAE)、均方根误差(RMSE)、皮尔森相关系数和比较的大小之间的错误估计每个image模型值和实际值的组合。我们使用了梅为性能指标,采用image模型结合最小的美结合最好的估计精度。

美和RMSE常用指标比较机器学习模型的准确性。39,40然而,根据一些人工智能(AI)研究,39,41,42我们使用美为基础选择最好的模型在我们的研究中,因为与RMSE相比,它对异常值不敏感,为选择最佳的模型有更好的指标在整体模型。43

image模型结合最小的美,我们计算标准化回归系数(src)的估计和实际值在测试数据。对于回归分析,我们使用限制最大似然方法。44消除偏见由于包含病人的双眼分析,我们构造的广义线性混合模型SRC,独联体的95%,P值,如下:pred′[n] ~正常(α[PID [n]] +β′×实际[n],σp),α(k]=α所有id(k),αid(k]~正常(0,σα),pred′是标准化的估计价值,均值为0,方差为1,实际′是一个实际价值以同样的方式处理,PID是一个变量,它存储哪些数据属于哪些病人,正常显示正态分布,σ表明SD,α表示拦截,β表示坡。的P价值观是双向的,而不是多个分析调整。我们使用Statsmodels 0.13.5 (Statsmodels开发人员)版本,45SRC的Python包,分析和SciPy(1.7.3版),46另一个Python库,为SRC以外的统计分析。2021年数据分析了从6月7日,2022年12月5日。

热点图

我们生成一个热图来说明5 DL模型关注UWFAF图像估计。我们使用了Score-CAM方法创建热图47和ReLU函数反向传播期间纠正损失函数。目标层的最后卷积层五块。我们使用tf-keras-vis,版本0.8.2 (Keisen)48一个Python包,创建热图。

结果

总共有1668 856名日本RP患者的眼睛连续从临床中提取数据库。排除标准被应用后,695年1274眼患者纳入本研究。共有310名患者是男性(44.6%),385例女性(55.4%)、和(SD)的平均年龄为53.9(17.2)年。表1介绍了所有的目光组的临床特点与房颤戒指现在或缺席。平均年龄是高不对焦环与AF环(平均(SD)的年龄,55.5 vs 52.8[17.4][16.9]年年;差异,2.7(95%可信区间,0.8 - -4.6);P= .005),而医学博士CENT12, BCVA组中没有对焦环都不如的对焦环(意味着(SD):医学博士vs−−22.7 (10.1) 14.5 (9.6);差异,−8.2(95%可信区间,9.3−−7.1);CENT12, 14.8(10.8)和25.2 (8.7);差异,−10.4(95%可信区间,11.5−−9.2);BCVA, 0.55(0.61)和0.22 (0.45);差异,0.33(95%可信区间,0.26 - -0.39);所有P<措施)。

的图像类型模型产生最小的美价值仅在所有的目光组UWFAF图像估计医学博士CENT12和BCVA (表2)。至于DL模型,最好的整体模型估计精度由EfficientNetB0 InceptionV3, InceptionV3和视觉几何Group-16 EfficientNetB0和视觉几何Group-16估算医学博士CENT12和BCVA分别。SRC为0.684 (95% CI, 0.567 - -0.802;P<措施)的医学博士估计,0.697(95%可信区间,0.590 - -0.804;PCENT12估计<措施),0.309(95%可信区间,0.187 - -0.430;P<措施)(BCVA估计表2;图1)。

数据集的对焦环的存在与否是用于检查是否存在与否的对焦环UWFAF图像中DL模型的估计精度的影响。组的估计存在对焦环,医学博士的SRC值估计CENT12, BCVA 0.568 (95% CI, 0.398 - -0.738;P<措施),0.660(95%可信区间,0.513 - -0.807;P<措施),和0.279 (95% CI, 0.086 - -0.472;P= .005)(表2和eFigure 2补充1),分别。SRC值估算MD、CENT12 BCVA组中没有对焦环的存在是0.274 (95% CI, 0.030 - -0.518;P= 03),0.186(95%可信区间,0.025−0.396;P=。08),和0.094 (95% CI, 0.082−0.270;P分别= .30)。当模型的数据集用于房颤的戒指,估计精度为医学博士CENT12, BCVA改善相比,使用的数据集没有对焦环。每个模型的美和RMSE eTable 3中给出补充1

Bland-Altman情节了图2和eFigure 3补充1。所有的目光组中,有一个固定的偏见在BCVA而不是医学博士或CENT12。比例偏差存在于所有BCVA 3参数和突出。

图3和eFigure 4补充1显示典型的热图UWFAF图像和合成图像叠加在UWFAF图像。窝周围的地区,对焦环和利润率的视网膜退化所示暖色,表明地区5 DL模型集中在估计MD值时。

讨论

在这项研究中,我们发现MD的实际值之间的相关性,CENT12, BCVA和估计的值从UWFAF DL模型图片,虽然相关性和一致性BCVA估计略弱。这些结果与先前的报道是一致的显示高相关性HFA参数或BCVA和房颤的半径或内部区域环上更进一步的图像。9,12,49以前,我们报道了DL模型的能力区分RP图像和正常眼底图像具有高敏感性和特异性,使用UWPC和UWFAF图像。21目前的研究代表了DL的发现证明了能力模型定量地评估RP患者的残余视力UWFAF图像。因为UWFAF可以轻松地获得图像,很快,和动物没有瞳孔放大,能力估计RP患者的视觉功能,从这些图片在日常临床实践将是一个额外的好处。这可能表明,获得UWFAF图像将使眼科医生监控RP进展后续期间。

我们的数据表明,DL模型的估计精度往往是更高的估计时由UWFAF图像,相反的单从UWPC图像或从UWPC和UWFAF图像。深度学习模型可以学习复杂,个性化的本地特性在图像数据并构建最优结构来识别这些特性。50- - - - - -52DL模型有更高的估计精度从UWFAF图片仅可能因为这种类型的图像为模型的更多信息。万博manbetx平台首页因此,视网膜色素上皮万博manbetx平台首页功能的信息反映在快的图像可以在评估视觉功能是非常有益的。

在RP, hyperfluorescent区域对焦环的更进一步的图像,这是表明增加光感受器外节的吞噬作用,发现在同一位置的消失椭球区10月图像。12,53- - - - - -55因此,对焦环表明视网膜损伤的边界。井上等56使用半自动软件从年龄估计视网膜敏感性,BCVA,更进一步图像与RP 93眼,发现图像的估计精度较高AF戒指比图片没有对焦环。与这些结果一致,估计的视觉功能只使用图像对焦环显示更好的SRC在这项研究。

如前所述,视觉功能是10月和更进一步的发现密切相关。因此,DL模型可以估计的视觉功能充分UWFAF图像。最近,一项研究报告称,一个二进制分类更好或更糟比BCVA DL可以估计20/40的模型与10月和红外图像。57然而,一项研究表明,房颤环区快更接近于视网膜图像敏感性比椭球区10月损失图像的面积。58此外,UWFAF用于这项研究可以捕获图像的退化过程光感受器和视网膜色素上皮细胞在RP在更广泛的区域,而不是10月图像,这表明UWFAF图像更有用。

早期研究的一个主要担忧关于更进一步的发现是,对焦环的位置是由人类;因此,它不是客观的评估。客观地评价快图像,分析由AI似乎是有用的。关注关于人工智能分析是医学图像的基本病变网站,AI集中,可能不是一样的网站,眼科医生看起来在确定诊断或评估视觉功能。然而,在这项研究中,窝周围的热图显示暖色,对焦环,和利润率的视网膜退化。这表明DL模型集中的地区是一致的眼科医生关注的领域,从眼底图像判断视力损害的严重程度。因此,这些热量地图数据表明,DL模型准确地识别退化面积RP,估计视觉功能根据退化特性。

限制

本研究也有一些局限性。首先,RP迥然不同的发展模式。59,60因此,DL模型是否可以估计RP患者的视觉功能偏离RP的发展模式分析尚不明确。其次,因为这是一个回顾性研究,图像的选择包括在这里可能有偏见。第三,早期治疗糖尿病性视网膜病变研究视力图并不是用于BCVA测量。第四,它本身是不清楚DL模型识别估计视觉功能。

结论

这项研究的结果显示实际值之间的相关性的视觉功能和使用UWFAF DL模型估算值的图像。视觉功能的评估使用DL RP患者可能帮助临床医生评估RP客观的进展。

回到顶部
条信息万博manbetx平台首页

发表:2022年12月13日。

网上发表:2023年2月23日。doi:10.1001 / jamaophthalmol.2022.6393

开放:这是一个开放的分布式根据文章CC-BY许可证。©2023 Nagasato D等。JAMA眼科

通讯作者:manuscript Mitamura,医学博士,眼科学,生物医学科学研究所,德岛大学研究生院,3-18-15 Kuramoto,德岛770 - 8503,日本(ymitaymitaymita@yahoo.co.jp)。

作者的贡献:Drs田边和Mitamura完全访问所有的数据研究,负责数据的完整性和数据分析的准确性。Drs Nagasato和Mitamura同样起到了推波助澜的作用。

概念和设计:Tsujikawa Nagasato,田边,Maeda Mitamura。

数据的采集、分析或解释:Nagasato Sogawa,田边,Tabuchi Numa, Oishi,池田大桥Maeda,高桥,伊藤三浦,筱原Egawa Mitamura。

起草的手稿:Nagasato Sogawa,田边,Maeda Mitamura。

关键的修订手稿的重要知识内容:Numa, Nagasato、Sogawa Tabuchi Oishi,池田大桥Tsujikawa, Maeda,高桥,伊藤三浦,筱原Egawa Mitamura。

统计分析:田边,Nagasato Mitamura。

获得资助:Mitamura。

行政、技术或材料支持:田边,Tabuchi Oishi,池田大桥Tsujikawa,伊藤三浦,筱原Egawa。

监督:Oishi Tabuchi, Tsujikawa, Maeda。

利益冲突的披露:Tabuchi博士报道收到尼康以外的个人费用提交工作。Findex Tsujikawa报道收到佳能授予博士Santen制药、Kowa Pharmaceutica,辉瑞公司AMO日本Senju Pharmaceutica, Wakamoto制药、爱尔康,日本大冢制药、诺华制药公司,拜耳Yakuhin, Nitten制药;和个人费用从Chugai制药、卫材、第一三共制药,爱力根日本Ellex,默沙东,Kyowa麒麟,Nidek, AbbVie GK外提交的工作。高桥博士报道收到视力保健公司以外的个人费用提交工作。Mitamura博士报道接受赠款Santen制药有限公司,有限公司和个人费用Santen制药有限公司,有限公司诺华日本Chugai制药有限公司,有限公司,拜耳Yakuhin外,提交工作。没有其他信息披露报告。

资金/支持:这项工作的部分支持由补助金22 k09814 (Mitamura博士)教育部、科学、体育和文化、日本。

资助者的角色/赞助商:教育部、科学、体育和文化,日本没有参与这项研究的设计和实施;的收集、管理、分析和解释数据;准备、审查或批准的手稿;并决定提交出版的手稿。

数据共享声明:看到补充2

额外的贡献:我们感谢Naofumi Ishitobi BS(眼科学系Saneikai Tsukazaki医院,姬路城,日本),和孝爸爸,医学博士,博士(眼科及视觉科学,千叶大学医学院毕业,千叶,日本),帮助进行数据采集。没有人获得经济补偿他或她对这项工作的贡献。

引用
1。
小Heckenlively。RP遗传性锥体杆体变性。反式是角膜切削Soc。1987;85:438 - 470。PubMed 谷歌学术搜索
2。
Dryja TP,麦基TL,哈恩磅,视紫红质内et al .突变基因常染色体显性遗传视网膜色素变性患者。N拉米夫地中海。1990;323 (19):1302 - 1307。doi:10.1056 / NEJM199011083231903PubMed 谷歌学术搜索 Crossref
3所示。
皮尔N,“Grodsky JD,卡普兰HJ。基因治疗色素性视网膜炎。台湾J角膜切削。2021;11 (4):348 - 351。doi:10.4103 / tjo.tjo_47_21PubMed 谷歌学术搜索 Crossref
4所示。
夸克JJ,金正日HR,机构SH。第一个体内基因治疗的短期结果rpe65-mediated色素性视网膜炎。延世医疗J。2022,63 (7):701 - 705。doi:10.3349 / ymj.2022.63.7.701PubMed 谷歌学术搜索 Crossref
5。
Florido, Vingolo EM, Limoli P,师范学院L。间充质干细胞治疗色素性视网膜炎:简短的评论。J干细胞Res开发。2021;7:066。doi:10.24966 / SRDT-2060/100066 Crossref
6。
冯Ruckmann, Fitzke FW,鸟AC。色素上皮细胞自体荧光的分布在视网膜疾病状态记录体内及其随时间变化。graef拱Exp角膜切削。1999年,237 (1):1 - 9。doi:10.1007 / s004170050186PubMed 谷歌学术搜索 Crossref
7所示。
罗布森AG),伊根CA,陈德良VA,鸟AC,持有人GE, Fitzke FW。比较快的明和暗fine-matrix映射在视网膜色素变性患者和正常的视力。投资角膜切削力Sci。2004;45 (11):4119 - 4125。doi:10.1167 / iovs.04 - 0211PubMed 谷歌学术搜索 Crossref
8。
Schmitz-Valckenberg, Holz FG,鸟AC, Spaide射频。眼底自发荧光成像:评论和观点。视网膜。28 2008;(3):385 - 409。doi:10.1097 / IAE.0b013e318164a907PubMed 谷歌学术搜索 Crossref
9。
荻野教授K Oishi,, Makiyama Y,中川,Kurimoto米,Yoshimura N。色素性视网膜炎的广角眼底自发荧光成像。眼科学。2013,120 (9):1827 - 1834。doi:10.1016 / j.ophtha.2013.01.050PubMed 谷歌学术搜索 Crossref
10。
加藤Ogura, Yasukawa T,, et al .广角眼底自发荧光成像评估患者的视网膜功能色素性视网膜炎。是J角膜切削。2014,158 (5):1093 - 1098。doi:10.1016 / j.ajo.2014.07.021PubMed 谷歌学术搜索 Crossref
11。
格林斯坦VC,Duncker, T, Holopigian K, et al。结构和功能改变与正常和异常的患者眼底自发荧光色素性视网膜炎。视网膜。2012年,32 (2):349 - 357。doi:10.1097 / IAE.0b013e31821dfc17PubMed 谷歌学术搜索 Crossref
12。
Aizawa, Mitamura Y,Hagiwara,山本Sugawara T,。眼底自发荧光的变化,光感受器内外段结线,和患者的视觉功能色素性视网膜炎。中国Exp角膜切削。38 2010;(6):597 - 604。doi:10.1111 / j.1442-9071.2010.02321.xPubMed 谷歌学术搜索 Crossref
13。
Hagiwara,Mitamura Y, Kumagai K,山本巴巴T,。光感受器损伤光学相干层析图像在视网膜色素变性患者。Br J角膜切削。2013,97 (2):237 - 238。doi:10.1136 / bjophthalmol - 2012 - 302510PubMed 谷歌学术搜索 Crossref
14。
Mitamura Y, Mitamura-Aizawa,Katome T, et al。光感受器损伤和修复在光学相干层析图像。J角膜切削。2013;2013:518170。doi:10.1155 / 2013/518170PubMed 谷歌学术搜索 Crossref
15。
郎Mitamura Y, Aizawa,巴巴T,山本Hagiwara,。相关性视网膜敏感性和感光视网膜色素变性患者的内/外节结。Br J角膜切削。2009,93 (1):126 - 127。doi:10.1136 / bjo.2008.141127PubMed 谷歌学术搜索 Crossref
16。
勒存Y,Bengio Y,辛顿G。深度学习。自然。2015,521 (7553):436 - 444。doi:10.1038 / nature14539PubMed 谷歌学术搜索 Crossref
17所示。
刘晓波,,Cai W,等;ADNI。多通道神经影像学特征学习的多级诊断阿尔茨海默氏症。IEEE反式生物医学中。2015,62 (4):1132 - 1140。doi:10.1109 / TBME.2014.2372011PubMed 谷歌学术搜索 Crossref
18岁。
Litjens G,桑切斯CI, Timofeeva N, et al .深度学习作为一个工具,增加组织病理学诊断的准确性和效率。Sci代表。2016;6:26286。doi:10.1038 / srep26286PubMed 谷歌学术搜索 Crossref
19所示。
彭Gulshan V,, Coram M, et al .深入学习算法的开发和验证检测糖尿病视网膜病变视网膜眼底照片。《美国医学会杂志》。2016;316 (22):2402 - 2410。doi:10.1001 / jama.2016.17216PubMed 谷歌学术搜索 Crossref
20.
Pinaya WH,Gadelha,柯南道尔OM,等。利用深层信念网络模型描述不同的大脑形态测量学精神分裂症。Sci代表。2016;6:38897。doi:10.1038 / srep38897PubMed 谷歌学术搜索 Crossref
21。
杨继金H, Tabuchi H, Nakakura, et al .深处的卷积神经网络检测精度的色素性视网膜炎ultrawide-field图像。PeerJ。2019;7:e6900。doi:10.7717 / peerj.6900PubMed 谷歌学术搜索 Crossref
22。
Nagasato D, Tabuchi H, Ohsugi H, et al .深度学习分类器与ultrawide-field眼底检眼镜检查检测视网膜分支静脉阻塞。Int J角膜切削。2019;12 (1):94 - 99。PubMed 谷歌学术搜索
23。
Nagasato D, Tabuchi H, Ohsugi H, et al .深层神经网络检测方法使用ultrawide-field眼底眼底视网膜中央静脉阻塞。J角膜切削。2018;2018:1875431。PubMed 谷歌学术搜索
24。
Nagasawa T,Tabuchi H,杨继金H, et al .深度学习的准确性,机器学习技术,使用ultra-wide-field眼底检眼镜检查检测特发性黄斑孔。PeerJ。2018;6:e5696。doi:10.7717 / peerj.5696PubMed 谷歌学术搜索 Crossref
25。
杨继金H, Tabuchi H, Nakakura, Ishitobi N,杨爱瑾米,Enno H。深度学习分类器与一个ultrawide-field扫描激光检眼镜检测青光眼视野严重性。J青光眼。2018;27 (7):647 - 652。doi:10.1097 / IJG.0000000000000988PubMed 谷歌学术搜索 Crossref
26岁。
Ohsugi H,Tabuchi H, H Enno, Ishitobi N。深度学习的准确性,机器学习技术,使用ultra-wide-field眼底检眼镜检查检测裂孔性视网膜脱离。Sci代表。2017;7 (1):9425。doi:10.1038 / s41598 - 017 - 09891 - xPubMed 谷歌学术搜索 Crossref
27。
世界医学协会。世界医学协会赫尔辛基宣言:伦理原则涉及人类受试者的医学研究。《美国医学会杂志》。2013;310 (20):2191 - 2194。doi:10.1001 / jama.2013.281053 Crossref
28。
霍夫曼MB,巴赫米,近藤M, et al . ISCEV标准临床多病灶的electroretinography (mfERG)(2021更新)。医生角膜切削。2021年,142 (1):5-16。doi:10.1007 / s10633 - 020 - 09812 - wPubMed 谷歌学术搜索 Crossref
29。
Simonyan K,安德鲁·Z。很深的卷积网络大规模图像识别。arXiv。预印本网上发布2014年9月4日。doi:10.48550 / arXiv.1409.1556
30.
任他K,张X,,太阳J。深层残留图像识别的学习。论文发表于:IEEE计算机视觉与模式识别会议(CVPR);2016年6月研究,;内华达州拉斯维加斯。
31日。
Le QV谭米,。Efficientnet:反思模型扩展为卷积神经网络。arXiv。2019年5月28日,预印本网上发布。doi:10.48550 / arXiv.1905.11946
32。
刘黄G, Z, Van Der Maaten L,温伯格KQ。人口卷积网络连接。arXiv。预印本网上发布8月25日,2016年。doi:10.48550 / arXiv.1608.06993
33。
约飞年代Szegedy C, Vanhoucke V,, Shlens J,Wojna Z。重新考虑初始架构计算机视觉。arXiv。预印本网上发布8月25日,2016年。doi:10.48550 / arXiv.1512.00567
34。
Mitani Babenko B,, Traynis我,et al .检测疾病的迹象在外部通过深度学习的照片眼睛。Nat生物医学中。2022;6 (12):1370 - 1383。doi:10.1038 / s41551 - 022 - 00867 - 5PubMed 谷歌学术搜索 Crossref
35。
Mosteller F,图基JW。数据分析,包括统计数据。E: Lindzey G, Aronson, eds。社会心理学手册。addison - wesley;1968:80 - 203。
36。
Kohavi R。交叉验证的研究和引导精度估计和模型选择。2021年4月5日通过。https://ai.stanford.edu/ ~ ronnyk / accEst.pdf
37岁。
Agrawal P, Girshick R,马利克J。分析了多层神经网络的目标识别性能。arXiv。预印本网上发布的7月7日,2014年。doi:10.48550 / arXiv.1407.1610
38。
Keras。TensorFlow。2021年6月7日通过。https://github.com/tensorflow/tensorflow
39岁。
穆勒罗姆M, Tresp V,, et al .预测视力利用机器学习在病人治疗新生血管性年龄相关性黄斑变性。眼科学。2018,125 (7):1028 - 1036。doi:10.1016 / j.ophtha.2017.12.034PubMed 谷歌学术搜索 Crossref
40。
刘备B B,,, et al。自动预测糖尿病黄斑水肿患者的治疗结果的使用整体机器学习。安Transl地中海。2021;9 (1):43。doi:10.21037 / atm - 20 - 1431PubMed 谷歌学术搜索 Crossref
41岁。
Kugelman J,Alonso-Caneiro D,陈Y, et al .视网膜黄斑变性疾病边界分割使用自动深度学习光学相干断层扫描图像。Transl Vis Sci抛光工艺。2020;9 (11):12。doi:10.1167 / tvst.9.11.12PubMed 谷歌学术搜索 Crossref
42。
彭H,龚W,贝克曼CF,Vedaldi,史密斯SM。准确的大脑年龄与轻量级深层神经网络预测。医学图像肛门。2021;68:101871。doi:10.1016 / j.media.2020.101871PubMed 谷歌学术搜索 Crossref
43。
威尔默特CJ,松浦K。优势的平均绝对误差(MAE)的均方根误差(RMSE)在评估平均模型的性能。这一物。2005;30 (1):79 - 82。doi:10.3354 / cr030079谷歌学术搜索 Crossref
44岁。
汉瑞达。贝叶斯推理为方差组件只使用错误的对比。生物统计学。1974,61 (2):383 - 385。doi:10.1093 / biomet / 61.2.383谷歌学术搜索 Crossref
45岁。
Statsmodels。2022年11月2日更新。2022年5月16日通过。https://www.statsmodels.org/
46岁。
SciPy。2022年5月16日通过。https://github.com/scipy/scipy
47岁。
王H,王Z,杜米,et al . Score-CAM: score-weighted视觉解释卷积神经网络。论文发表于:IEEE计算机视觉与模式识别会议(CVPR);14 - 19 6月,2020;西雅图,华盛顿州。
48。
tf-keras-vis。2022年6月11日通过。https://github.com/keisen/tf-keras-vis
49。
PopovićP,Jarc-Vidmar米,Hawlina M。眼底自发荧光与异常患者的视网膜功能色素性视网膜炎。graef拱Exp角膜切削。2005,243 (10):1018 - 1027。doi:10.1007 / s00417 - 005 - 1186 - xPubMed 谷歌学术搜索 Crossref
50。
小野井上桥本Y,,,等。一种新颖的方法的客观识别hyperautofluorescent环在色素性视网膜炎使用二值化处理。Transl Vis Sci抛光工艺。2019;8 (1):20。doi:10.1167 / tvst.8.1.20PubMed 谷歌学术搜索 Crossref
51。
邓Russakovsky O,,苏H, et al . Imagenet大规模视觉识别的挑战。Int J第一版活力。2015,115 (3):211 - 252。doi:10.1007 / s11263 - 015 - 0816 - y谷歌学术搜索 Crossref
52岁。
谢李CY,,加拉格尔P,张Z,你Z。Deeply-supervised网。论文发表于:18人工智能国际会议上和统计;2015年5月9 - 12日;圣地亚哥,CA。
53岁。
VC利马LH,伯克T,格林斯坦,et al .进步hyperautofluorescent环的收缩色素性视网膜炎。是J角膜切削。2012,153 (4):718 - 727,727. e1 - 727. - e2。doi:10.1016 / j.ajo.2011.08.043PubMed 谷歌学术搜索 Crossref
54。
罗布森AG),赛汗Z,詹金斯SA, et al .功能描述和串行成像异常患者眼底自发荧光色素性视网膜炎和正常视力。Br J角膜切削。2006,90 (4):472 - 479。doi:10.1136 / bjo.2005.082487PubMed 谷歌学术搜索 Crossref
55。
柯尔尼Kellner U,,韦伯BH,Fiebig B, Weinitz,Ruether K。脂褐质,melanin-related眼底自发荧光可视化不同视网膜色素上皮改变色素性视网膜炎患者。眼睛(Lond)。2009;23 (6):1349 - 1359。doi:10.1038 / eye.2008.280PubMed 谷歌学术搜索 Crossref
56。
井上T,中岛以K,桥本Y, et al .视野敏感性的预测方法在色素性视网膜炎患者使用眼底自发荧光图像。投资角膜切削力Sci。2020,61 (10):51。doi:10.1167 / iovs.61.10.51PubMed 谷歌学术搜索 Crossref
57。
凌刘TYA,,哈恩L,琼斯CK,女士恩CJ,辛格。视力损害的预测使用深度学习和多通道眼底图像色素性视网膜炎。Br J角膜切削。2022年7月27日在线发表。doi:10.1136 / bjo - 2021 - 320897PubMed 谷歌学术搜索 Crossref
58岁。
井上李J,浅野,,等。调查在色素性视网膜炎眼底自发荧光的有用性。角膜切削视网膜。2018;2 (10):1062 - 1070。doi:10.1016 / j.oret.2018.03.007PubMed 谷歌学术搜索 Crossref
59。
林Sujirakul T,可,Duong J,魏Y, Lopez-Pintado,曾荫权SH。中央视网膜疾病进展的多通道成像2年意味着后续色素性视网膜炎。是J角膜切削。2015,160 (4):786 - 798。doi:10.1016 / j.ajo.2015.06.032PubMed 谷歌学术搜索 Crossref
60。
桦树DG,洛克公斤,温家宝Y,洛克KI,博士霍夫曼罩直流。Spectral-domain外节层的光学相干断层扫描措施进展患者x连锁色素性视网膜炎。JAMA角膜切削。2013,131 (9):1143 - 1150。doi:10.1001 / jamaophthalmol.2013.4160PubMed 谷歌学术搜索 Crossref
×
Baidu
map