Skip to main content
main-content

06.10.2018 | Clinical Investigation | Ausgabe 6/2018

Japanese Journal of Ophthalmology 6/2018

Automated segmentation of en face choroidal images obtained by optical coherent tomography by machine learning

Zeitschrift:
Japanese Journal of Ophthalmology > Ausgabe 6/2018
Autoren:
Hideki Shiihara, Shozo Sonoda, Hiroto Terasaki, Naoko Kakiuchi, Yuki Shinohara, Masatoshi Tomita, Taiji Sakamoto
Wichtige Hinweise
Corresponding author: Taiji Sakamoto

Abstract

Purpose

To develop an automated method to segment the choroidal layers of en face optical coherent tomography (OCT) images by machine learning.

Study design

A cross-sectional, prospective study of 276 eyes of 181 healthy subjects.

Methods

OCT en face images of the choroid were obtained every 2.6 μm from the retinal pigment epithelium (RPE) to the chorioscleral border. The images at the start of the choriocapillaris, start of Sattler’s layer, and start of Haller’s layer were identified, and the image numbers from the RPE line were taken as the teacher data. Forty-one feature quantities of each image were extracted. A support vector machine (SVM) model was created from each feature value of the training data, and a coefficient of determination was calculated for each layer of the choroid by a fivefold cross validation. Next, the same evaluation was performed after creating a SVM model with selected effective feature quantities.

Results

The mean coefficient of determination using all features was 0.9853 ± 0.0012. Nine effective feature quantities (relative choroid thickness, mean/kurtosis/variance of brightness, FFT_ skewness, k0_vessel width, k1/k2/k4_vessel area) were selected, and the mean of the coefficient of determinations with these quantities In this model was 0.9865 ± 0.0001. The number of errors in the image number at the start of each layer was 1.01 ± 0.79 for the choriocapillaris, 1.13 ± 1.12 for Sattler’s layer, and 3.77 ± 2.90 for Haller’s layer.

Conclusion

Automated stratification of the choroid in en face images can be done with high accuracy through machine learning.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 6/2018

Japanese Journal of Ophthalmology 6/2018 Zur Ausgabe

Neu im Fachgebiet Augenheilkunde

07.09.2018 | Video plus | Ausgabe 11/2018

Einseitige kombinierte Augenmuskeloperation zur Korrektur der Esotropie

Videobeitrag zur Rücklagerung des M. rectus medialis und Faltung des M. rectus lateralis

24.08.2018 | Leitlinien, Stellungnahmen und Empfehlungen | Ausgabe 10/2018

Stellungnahme von BVA, DOG und RG zur intravitrealen Therapie des visusmindernden Makulaödems bei retinalem Venenverschluss

Therapeutische Strategien, Stand 24.04.2018

20.08.2018 | Rehabilitation | CME | Ausgabe 10/2018 Open Access

Aktuelle Möglichkeiten der visuellen Rehabilitation

17.08.2018 | Das therapeutische und diagnostische Prinzip | Ausgabe 11/2018

Suprachoroidale Hydrogelplombe