nach oben

Die Ophthalmologie

Erschienen in:

19.04.2018 | Glaukom | Leitthema

„Deep Learning“ und neuronale Netzwerke in der Augenheilkunde

Einsatzmöglichkeiten im Bereich der optischen Kohärenztomographie

verfasst von: Dr. M. Treder, N. Eter

Erschienen in: Die Ophthalmologie | Ausgabe 9/2018

Einloggen, um Zugang zu erhalten

Zusammenfassung

„Deep Learning“ rückt zunehmend in den Fokus verschiedener bildgebender Verfahren in der Medizin. Durch die hohe Anzahl an verschiedenen bildgebenden Modalitäten ist die Augenheilkunde für dieses Anwendungsgebiet besonders geeignet. Dieser Beitrag soll einen allgemeinverständlichen Überblick über das Thema „Deep Learning“ und seine bisherigen Anwendungen im Bereich der optischen Kohärenztomographie geben. Hierbei sollen für den Leser die klinischen und weniger die technischen Aspekte im Vordergrund stehen.

Angermueller C, Parnamaa T, Parts L et al (2016) Deep learning for computational biology. Mol Syst Biol 12:878CrossRefPubMedPubMedCentral

Aslam TM, Zaki HR, Mahmood S et al (2018) Use of a neural net to model the impact of optical coherence tomography abnormalities on vision in age-related macular degeneration. Am J Ophthalmol 185:94–100CrossRefPubMed

Belghith A, Bowd C, Weinreb R et al (2014) A hierarchical framework for estimating neuroretinal rim area using 3D spectral domain optical coherence tomography (SD-OCT) optic nerve head (ONH) images of healthy and glaucoma eyes. Conf Proc Ieee Eng Med Biol Soc 2014:3869–3872PubMed

Burlina P, Pacheco K, Joshi N et al (2017) Comparing humans and deep learning performance for grading AMD: a study in using universal deep features and transfer learning for automated AMD analysis. Comput Biol Med 82:80–86CrossRefPubMedPubMedCentral

Deutsche Ophthalmologische Gesellschaft, Retinologische Gesellschaft, Berufsverband der Augenärzte Deutschlands (2013) Stellungnahme der Deutschen Ophthalmologischen Gesellschaft, der Retinologischen Gesellschaft und des Berufsverbandes der Augenärzte Deutschlands: Therapie der diabetischen Makulopathie

Devalla S, Chin K, Mari J et al (2018) A deep learning approach to digitally stain optical coherence tomography images of the optic nerve head. Invest Ophthalmol Vis Sci 59:63–74CrossRefPubMed

Eltanboly A, Ismail M, Shalaby A et al (2017) A computer-aided diagnostic system for detecting diabetic retinopathy in optical coherence tomography images. Med Phys 44:914–923CrossRefPubMed

Fang L, Cunefare D, Wang C et al (2017) Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search. Biomed Opt Express 8:2732–2744CrossRefPubMedPubMedCentral

Garcia-Martin E, Herrero R, Bambo MP et al (2015) Artificial neural network techniques to improve the ability of optical coherence tomography to detect optic neuritis. Semin Ophthalmol 30:11–19CrossRefPubMed

10.

Grewal D, Jain R, Grewal S et al (2008) Artificial neural network-based glaucoma diagnosis using retinal fiber layer analysis. Eur J Ophthalmol 18:915–921CrossRefPubMed

11.

Helmholtz H (1851) Beschreibung eines Augen-Spiegels zur Untersuchung der Netzhaut im lebenden Auge. Förstner, BerlinCrossRef

12.

Huang M, Chen H (2005) Development and comparison of automated classifiers for glaucoma diagnosis using stratus optical coherence tomography. Invest Ophthalmol Vis Sci 46:1786–1794CrossRef

13.

Huang D, Swanson E, Lin C et al (1991) Optical coherence tomography. Science 254:1178–1181CrossRefPubMedPubMedCentral

14.

Ji Z, Chen Q, Niu S et al (2018) Beyond retinal layers: a deep voting model for automated geographic atrophy segmentation in SD-OCT images. Transl Vis Sci Technol 7:1CrossRefPubMedPubMedCentral

15.

Karri SP, Chakraborty D, Chatterjee J (2017) Transfer learning based classification of optical coherence tomography images with diabetic macular edema and dry age-related macular degeneration. Biomed Opt Express 8:579–592CrossRefPubMedPubMedCentral

16.

Lakhani P, Sundaram B (2017) Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology 284:574–582CrossRefPubMed

17.

Lam C, Yu C, Huang L et al (2018) Retinal lesion detection with deep learning using image patches. Invest Ophthalmol Vis Sci 59:590–596CrossRefPubMedPubMedCentral

18.

Larrosa JM, Polo V, Ferreras A et al (2015) Neural network analysis of different segmentation strategies of nerve fiber layer assessment for glaucoma diagnosis. J Glaucoma 24:672–678CrossRefPubMed

19.

Lee CS, Tyring AJ, Deruyter NP et al (2017) Deep-learning based, automated segmentation of macular edema in optical coherence tomography. Biomed Opt Express 8:3440–3448CrossRefPubMedPubMedCentral

20.

Liefers B, Venhuizen F, Schreur V et al (2017) Automatic detection of the foveal center in optical coherence tomography. Biomed Opt Express 8:5160–5178CrossRefPubMedPubMedCentral

21.

Litjens G, Kooi T, Bejnordi BE et al (2017) A survey on deep learning in medical image analysis. Med Image Anal 42:60–88CrossRefPubMed

22.

Meiendresch O (2014) Schicht für Schicht – Erkenntnis. BoD – Books on Demand, Norderstedt

23.

Muhammad H, Fuchs TJ, De Cuir N et al (2017) Hybrid deep learning on single wide-field optical coherence tomography scans accurately classifies glaucoma suspects. J Glaucoma 26:1086–1094PubMed

24.

Murugeswari S, Sukanesh R (2017) Investigations of severity level measurements for diabetic macular oedema using machine learning algorithms. Ir J Med Sci 186:929–938CrossRefPubMed

25.

Naithani P, Sihota R, Sony P et al (2007) Evaluation of optical coherence tomography and heidelberg retinal tomography parameters in detecting early and moderate glaucoma. Invest Ophthalmol Vis Sci 48:3138–3145CrossRefPubMed

26.

Niwas S, Lin W, Kwoh C et al (2016) Cross-examination for angle-closure glaucoma feature detection. IEEE J Biomed Health Inform 20:343–354CrossRefPubMed

27.

Niwas SI, Jakhetiya V, Lin W et al (2016) Complex wavelet based quality assessment for AS-OCT images with application to angle closure glaucoma diagnosis. Comput Methods Programs Biomed 130:13–21CrossRefPubMed

28.

Niwas SI, Lin W, Bai X et al (2016) Automated anterior segment OCT image analysis for angle closure glaucoma mechanisms classification. Comput Methods Programs Biomed 130:65–75CrossRefPubMed

29.

Prahs P, Radeck V, Mayer C et al (2018) OCT-based deep learning algorithm for the evaluation of treatment indication with anti-vascular endothelial growth factor medications. Graefes Arch Clin Exp Ophthalmol 256:91–98CrossRefPubMed

30.

Schlegl T, Waldstein SM, Bogunovic H et al (2017) Fully automated detection and quantification of macular fluid in OCT using deep learning. Ophthalmology. https://doi.org/10.1016/j.ophtha.2017.10.031 PubMedCrossRef

31.

Scholtz S, Auffarth GU (2011) 1911 – Ein Augenarzt erhält den Nobelpreis: Allvar Gullstrand: Chirurg, Mathematiker und kreativer Erfinder. Spektrum Augenheilkd 25:204–209CrossRef

32.

Somfai G, Tátrai E, Laurik L et al (2014) Automated classifiers for early detection and diagnosis of retinopathy in diabetic eyes. BMC Bioinformatics. https://doi.org/10.1186/1471-2105-15-106 CrossRefPubMedPubMedCentral

33.

Treder M, Lauermann JL, Eter N (2018) Automated detection of exudative age-related macular degeneration in spectral domain optical coherence tomography using deep learning. Graefes Arch Clin Exp Ophthalmol 256:259–265CrossRefPubMed

34.

Venhuizen FG, Van Ginneken B, Liefers B et al (2017) Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks. Biomed Opt Express 8:3292–3316CrossRefPubMedPubMedCentral

35.

Xu Y, Liu J, Cheng J et al (2013) Automated anterior chamber angle localization and glaucoma type classification in OCT images. Conf Proc IEEE Eng Med Biol Soc 2013:7380–7383PubMed

36.

Xu Y, Yan K, Kim J et al (2017) Dual-stage deep learning framework for pigment epithelium detachment segmentation in polypoidal choroidal vasculopathy. Biomed Opt Express 8:4061–4076CrossRefPubMedPubMedCentral

Titel: „Deep Learning“ und neuronale Netzwerke in der Augenheilkunde
Einsatzmöglichkeiten im Bereich der optischen Kohärenztomographie
verfasst von: Dr. M. Treder
N. Eter
Publikationsdatum: 19.04.2018
Verlag: Springer Medizin
Schlagwort: Glaukom
Erschienen in: Die Ophthalmologie / Ausgabe 9/2018
Print ISSN: 2731-720X
Elektronische ISSN: 2731-7218
DOI: https://doi.org/10.1007/s00347-018-0706-0

Neu im Fachgebiet Augenheilkunde

08.04.2024 | Glaukom | CME

Update Augenheilkunde

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Springer Medizin

„Deep Learning“ und neuronale Netzwerke in der Augenheilkunde

Einsatzmöglichkeiten im Bereich der optischen Kohärenztomographie

Zusammenfassung

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

Bestmögliche Wundheilung der Kornea dank optimaler pharmakologischer Therapie

Update Augenheilkunde

Springer Medizin

Zusammenfassung

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

Weitere Artikel der Ausgabe 9/2018

Mikroskopintegrierte intraoperative optische Kohärenztomographie bei der Narkoseuntersuchung von pädiatrischen Patienten

Korneale Densitometrie

Augenprothesen aus Kryolithglas bei korallinen Hydroxylapatitimplantaten als Bulbusersatz nach Enukleation

Gestresster Landarzt mit akuter Visusminderung

Boston-Keratoprothese: 73 Augen aus Deutschland

Volumetrische Analyse der vaskularisierten Pigmentepithelabhebung bei AMD: Post-hoc-Analyse der RECOVER-Studie

Neu im Fachgebiet Augenheilkunde

Ophthalmika in der Schwangerschaft

Operative Therapie und Keimnachweis bei endogener Endophthalmitis

Bakterielle endogene Endophthalmitis

Bestmögliche Wundheilung der Kornea dank optimaler pharmakologischer Therapie

Update Augenheilkunde