Sistema automático para a segmentación das capas da retina en pacientes con glaucoma mediante OCT
Creators
Abstract (Galician)
É fundamental realizar unha diagnose precoz do glaucoma para preservar a saúde visual dos pacientes. Mediante distintos patróns de Tomografía de Coherencia Óptica (OCT), é posible medir o grosor das capas do tecido nervioso en diferentes partes da retina, extraendo información sobre o seu estado e a súa evolución. Neste traballo, presentamos dúas aproximacións automáticas baseadas en aprendizaxe profunda para a segmentación das capas da retina nos tres patróns OCT máis comúns para a diagnose do glaucoma: escaneos circulares ao redor do disco óptico, radiais a través do disco óptico, e volumétricos extraídos sobre a superficie macular. A primeira aproximación aproveita a similitude entre as distintas vistas da retina para adestrar un único modelo multi-vista capaz de realizar a segmentación en calquera dos patróns. A segunda aproximación utiliza unha serie de modelos especificamente adestrados para maximizar a precisión en cada unha das vistas, precedido por unha fase de decisión na que se determina automaticamente o modelo axeitado para analizar cada imaxe. Obtivéronse resultados satisfactorios, cunha precisión de 0.85±0.07 e 0.88±0.09, así coma unha exhaustividade de 0.87±0.06 e 0.87±0.07, respectivamente, para a primeira e segunda aproximación. O uso destes sistemas pode resultar de gran utilidade á hora de acadar unha diagnose precoz desta patoloxía, axudando a preservar a calidade de vida dos pacientes.
Other (Galician)
Este traballo foi financiado polo Ministerio de Ciencia e Innovación y Universidades, Gobierno de España (refs. PID2019-108435RB-I00, TED2021-131201B-I00, e PDC2022-133132-I00); Consellería de Cultura, Educación e Universidade, Xunta de Galicia a través de grupos de referencia competitiva con ref. ED431C 2020/24 e da axuda predoutoral con ref. ED481A 2021/161.
Files
Gende_Mateo_2023_Sistema_automatico_segmentacion_dos_capas_retina.pdf
Files
(3.0 MB)
Name | Size | Download all |
---|---|---|
md5:1ef341d198fc915a7726776514db49bf
|
3.0 MB | Preview Download |
Additional details
Identifiers
- Handle
- 2183/36445