Imagen de Portada
Código QR

Segmentation of OCT and OCT-A Images using Convolutional Neural Networks.

Segmentation is vital in Optical Coherence Tomography Angiography (OCT-A) images. The separation and distinction of the different parts that build the macula simplify the subsequent detection of observable patterns/illnesses in the retina. In this work, we carried out multi-class image segmentation...

Descripción completa

Publicado en:Revista Mexicana de Ingeniería Biomédica Vol. 43; no. 3; pp. 15 - 25
Autores principales: Cisneros-Guzmán, Fernanda, Toledano-Ayala, Manuel, Tovar-Arriaga, Saúl, Rivas-Araiza, Edgar A.
Formato: Artículo
Publicado: Sociedad Mexicana de Ingenieria Biomedica, A.C. Sep-Dec2022
Materias:
Optical coherence tomography
Convolutional neural networks
Blood vessels
Macula lutea
Image segmentation
Acceso en línea:Ver este registro en EBSCOhost
Sumario:Segmentation is vital in Optical Coherence Tomography Angiography (OCT-A) images. The separation and distinction of the different parts that build the macula simplify the subsequent detection of observable patterns/illnesses in the retina. In this work, we carried out multi-class image segmentation where the best characteristics are highlighted in the appropriate plexuses by comparing different neural network architectures, including U-Net, ResU-Net, and FCN. We focus on two critical zones: retinal vasculature (RV) and foveal avascular zone (FAZ). The precision obtained from the RV and FAZ segmentation over 316 OCT-A images from the OCT-A 500 database at 93.21% and 92.59%, where the FAZ was segmented with an accuracy of 99.83% for binary classification.
La segmentación juega un papel vital en las imágenes de angiografía por tomografía de coherencia óptica (OCT-A), ya que la separación y distinción de las diferentes partes que forman la mácula simplifican la detección posterior de patrones/enfermedades observables en la retina. En este trabajo, llevamos a cabo una segmentación de imágenes multiclase donde se destacan las mejores características en los plexos apropiados al comparar diferentes arquitecturas de redes neuronales, incluidas U-Net, ResU-Net y FCN. Nos centramos en dos zonas críticas: la segmentación de la vasculatura retiniana (RV) y la zona avascular foveal (FAZ). La precisión para RV y FAZ en 316 imágenes OCT-A de la base de datos OCT-A 500 se obtuvo en 93.21 % y 92.59 %. Cuando se segmentó la FAZ en una clasificación binaria, con un 99.83% de precisión.