Hlboké učenie pre interaktívnu a automatizovanú segmentáciu vnútorných vrstiev sietnice v OCT obrazoch pacientov s retinitis pigmentosa s použitím limitovaných trénovacích údajov

Štúdia predstavuje dva modely hlbokého učenia na segmentáciu vnútorných vrstiev sietnice u pacientov s retinitis pigmentosa (RP) pomocou OCT obrazov. Prvý model je založený na Segment Anything Model (SAM), druhý na nnU-Net. Výskum zahŕňal SD-OCT obrazy 37 pacientov s RP a 1700 segmentovaných B-Scanov z otvorených databáz na predtréningu. Modely boli trénované na 228 anotovaných RP scanoch. nnU-Net dosiahol presnosť 0,96 a F-1 skóre 0,96, zatiaľ čo OCT-SAM mal nižšie hodnoty 0,93, 0,8 a 0,85. OCT-SAM preukázal dobrú zhodu s manuálnou anotáciou a longitudinálnu reprodukovateľnosť. Oba modely úspešne detegovali charakteristické patológie a degeneratívne zmeny RP.