Glokom Hastalarında Optik Sinir Başı, Retina Sinir Lifi Tabakası Ve Retina Gangliyon Hücre Kompleksinin Retrospektif Olarak Derin Öğrenme İle Değerlendirilmesi


Creative Commons License

Erşan İ. , Yücebaş S. C. , Turgut B.

INTERNATIONAL CONGRESS ON MEDICINE LIFE SCIENCE AND HEALTHCARE, Çorum, Turkey, 26 - 28 April 2021, pp.256-260

  • Publication Type: Conference Paper / Full Text
  • City: Çorum
  • Country: Turkey
  • Page Numbers: pp.256-260

Abstract

Purpose:To develop a deeplearning (DL) model for detection of glaucoma based on peripapillary retinalnerve fiber layer (pRNFL), ganglioncelllayer (GCL), optic nevre head parameters using spectral domain optical coherence tomography (SD-OCT) and visual field parameters Methods: 78 patient with glaucoma and 53 healthy subjects were recruited and splite into training (%60) and test (%40) datasets. pRNFL, GCL, optic nevre head parameters and visual field parameters were used for the deep learning classifier. 257 Results: In the test dataset, this deep learning system achieved an AUC of 0,817with a sensitivity of %96. Conclusion: An SD-OCT and visual field based deep learning

Giriş: Optik koherens tomografi (SD-OKT) ile ölçülen peripapiller retina sinir lifi tabakası (RSLT), ganglion hücre analizi (GCA) ve optik sinir başı (OSB) parametreleri ile görme alanı (GA) parametrelerini kullanarak glokom tanısı koymak için derin öğrenme modeli geliştirmeyi amaçladık. Yöntem: 78 glokom hasatası ve 53 sağlıklı birey çalışmaya dahil edildi ve veri kümesi %60 eğitim %40 test şeklinde ayrıldı. RSLT, GCA, OSB parametreleri ve GA parametreleri derin öğrenme modeli için kullanılmıştır. Bulgular: Geliştirilen derin öğrenme modelimiz test grubunda AUC değeri 0,817 ve duyarlılığı %96 bulundu. Sonuç: SD-OKT ve görme alanı parametrelerini kullandığımız derin öğrenme modelimiz glokomatöz değişikliklerin saptanmasında yüksek duyarlılık ve özgüllüğe sahip bulundu.