Les chercheurs de QUT emploient apprendre profondément des méthodes pour un contrôle plus précis d'oeil

L'université de technologie du Queensland des chercheurs (QUT) ont appliqué des méthodes d'apprentissage (AI) profondes d'artificial intelligence de développer une méthode plus précise et plus détaillée pour analyser des images de l'arrière de l'oeil pour aider des cliniciens mieux pour trouver et des maladies oculaires de piste, telles que le glaucome et la dégénérescence maculaire liée à l'âge.

Leurs découvertes ont été publiées dans des états scientifiques de nature.

Étudiez M. supérieur de chargé de recherches de l'auteur important QUT David Alonso-Caneiro, de la faculté de la santé, école d'optométrie et la Science de visibilité, a indiqué que l'équipe avait exploré une gamme des méthodes d'apprentissage profondes de pointe d'analyser des images optiques de tomographie (OCT) de cohérence.

OCT. est un instrument courant employé par des optométristes et des ophtalmologues. Il prend les images transversales de l'oeil qui montrent différentes membranes. Ces images sont à haute résolution - environ 4 microns ; beaucoup moins que, par exemple, des cheveux, qui sont d'environ 100 microns d'épaisseur.

M. Alonso-Caneiro a dit qu'employant la lecture d'OCT. pour tracer et surveiller l'épaisseur des membranes dans l'oeil peuvent aider des cliniciens à trouver des maladies oculaires.

Dans notre étude nous avons recherché une méthode neuve d'analyser les images et d'extraire deux membranes principales au fond de l'oeil, de la rétine et de choroïde, avec l'intérêt particulier dans le choroïde.

Le choroïde est l'endroit entre la rétine et la sclère, et il contient les vaisseaux sanguins principaux qui fournissent les éléments nutritifs et l'oxygène à l'oeil.

Les techniques de traitement normales de représentation utilisées avec OCT. définissent et analysent les membranes rétiniennes bien, mais très peu d'instruments cliniques d'OCT. ont un logiciel qui analyse le tissu choroïdien.

Ainsi nous avons formé un réseau apprenant profond pour apprendre les fonctionnalités clé des images et définir à exactement et automatiquement les limites du choroïde et de la rétine. »

M. David Alonso-Caneiro, chargé de recherches de QUT et auteur important supérieurs

L'équipe a rassemblé des échographies chorio-rétiniennes d'oeil d'OCT. d'une étude longitudinale de dix-huit mois de 101 enfants avec la bonne visibilité et les yeux sains, et avait l'habitude ces images pour former le programme pour trouver des configurations et pour définir les limites choroïdes.

Elles puis comparées ce qu'elles ont développé avec des méthodes d'analyse d'image normales et ont trouvé leur programme pour être fiables et plus précises.

« Pouvoir analyser des images d'OCT. a amélioré notre compréhension des modifications de tissu d'oeil liées au développement normal d'oeil, vieillissement, erreurs réfringentes et maladie oculaire, » M. Alonso-Caneiro a dit.

« Ayant l'information plus fiable de ces images du choroïde, que notre programme fournit, est important cliniquement et également pour avancer notre compréhension de l'oeil par la recherche.

« Nous nous sentons que nos méthodes pourraient fournir une voie d'améliorer le plan et de surveiller des changements de tissu choroïde, et diagnostiquent potentiellement des maladies oculaires plus tôt. »

M. Alonso-Caneiro a dit que le programme neuf avait été partagé avec des chercheurs d'oeil en Australie et d'outre-mer, et on l'a espéré que les générateurs des instruments commerciaux d'OCT. peuvent être intéressés à l'appliquer.

L'équipe veut également faire davantage de recherche pour vérifier le programme sur des images des populations et des personnes plus âgées avec la maladie diagnostiquée.

Source:
Journal reference:

Kugelman, J. et al. (2019) Automatic choroidal segmentation in OCT images using supervised deep learning methods. Scientific Reports. doi.org/10.1038/s41598-019-49816-4.