1 河北大学生命科学学院, 保定 071000
2 中国人民解放军军事科学院军事医学研究院辐射医学研究所, 北京 100850
3 河南科技大学信息工程学院, 洛阳 471023
视网膜极易因激光意外事故、中枢神经或视网膜退行性疾病发生异常改变, 严重威胁视功能。目前, 仍没有针对哺乳动物视网膜损伤的完善修复机制。视网膜“干细胞”穆勒胶质(MG)细胞不能自发进入细胞周期, 基因编辑手段可使MG细胞转分化, 从而具有视网膜祖细胞的能力。转分化相关信号通路及调控因子对MG基因组重编程至关重要。基因编辑治疗利用腺病毒、慢病毒等载体将外源基因导入体内, 促使哺乳动物受损视网膜中MG细胞激增和去分化, 损伤的视网膜神经元再生。与传统药物治疗需要长期服药相比, 基因疗法的出现有望实现通过一次治疗达到修复目的。文章就视网膜修复机制、调控视神经再生的信号通路以及基因治疗修复损伤视网膜研究现状和应用过程中存在的问题进行综述, 并展望未来相关的发展趋势。未来基因编辑治疗将会给视神经再生修复研究带来深刻变革, 为视网膜疾病的治疗带来新的曙光。
视网膜损伤修复 视神经再生 视网膜祖细胞 基因治疗 基因编辑技术 retinal damage repair optic nerve regeneration retinal progenitor cells gene therapy gene editing technology
1 昆明理工大学 信息工程与自动化学院, 云南 昆明 650500
2 昆明理工大学 云南省人工智能重点实验室, 云南 昆明 650500
视网膜血管的自动分割技术有助于早期诊断和治疗与视网膜相关的疾病。由于视网膜血管结构复杂且精细, 眼底图像存在着低对比度、光照不均以及病理性渗出物等因素的干扰, 导致该任务仍然具有挑战性。针对该任务主流框架U-Net中未考虑全局语义依赖关系以及编码器和解码器之间的语义鸿沟问题, 提出了一种同尺度和跨尺度增强的U-Net模型。从两个角度对该模型进行设计: 对于同一尺度的编码-解码层, 一种空间增强的自注意力机制被嵌入到每个编码层中以增强模型的全局空间聚合能力, 并进一步将其拓展到解码端来缓解解码过程中上采样操作带来的信息丢失等问题; 对于不同尺度的编码-解码层, 引入了一种新颖的跨尺度融合模块, 通过动态地选择最深层中丰富的特征信息来增强与其它层之间的语义交互, 从而进一步弥合编码器和解码器之间的语义鸿沟。在DRIVE、CHASE_DB1和STARE三个视网膜标准数据集上进行了实验验证, 实验结果表明I2A-Net能有效地分割出视网膜血管结构, 相比与基线模型, 在各项评价指标上均取得了较高的提升。
深度学习 视网膜血管分割 空间增强的自注意力机制 跨尺度融合模块 deep learning retinal vessel segmentation U-Net U-Net spatial enhanced self-attention mechanism cross-scale fusion module
Author Affiliations
Abstract
Key Laboratory of Biomedical Engineering of Hainan Province, School of Biomedical Engineering, Hainan University, Haikou 570228, P. R. China
In ophthalmology, retinal optical coherence tomography (OCT) images with noticeable structural features help identify human eyes as healthy or diseased. The recently hot artificial intelligence (AI) realized this recognition process automatically. However, speckle noise in the original retinal OCT image reduces the accuracy of disease classification. This study presents a time-saving approach based on deep learning to improve classification accuracy by removing the noise from the original dataset. Firstly, four pre-trained convolutional neural networks (CNNs) from the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) were trained to classify the original images into two categories: The noise reduction required (NRR) and the noise-free (NF) images. Among the CNNs, VGG19_BN performed best with 98% accuracy and 99% recall. Then, we used the block-matching and 3D filtering (BM3D) algorithm to denoise the NRR images. Those noise-removed NRR and the NF images form the processed dataset. The quality of images in the dataset is prominently ameliorated after denoising, which is valid to improve the models’ performance. The original and processed datasets were tested on the four pre-trained CNNs to evaluate the effectiveness of our proposed approach. We have compared the CNNs, and the results show the performance of the CNNs trained with the processed dataset is improved by an average of 2.04%, 5.19%, and 5.10% under overall accuracy (OA), Macro F1-score, and Micro F1-score, respectively. Especially for DenseNet161, the OA is improved to 98.14%. Our proposed method demonstrates its effectiveness in improving classification accuracy and opens a new solution to reduce denoising time-consuming for large datasets.
Optical coherence tomography deep learning retinal disease classification Journal of Innovative Optical Health Sciences
2023, 16(6): 2350008
1 大连理工大学光电工程与仪器科学学院,辽宁 大连 116024
2 大连医科大学附属第二医院眼科,辽宁 大连 116027
光学相干层析成像(OCT)是一种高速、高分辨率的生物医学成像技术,可实现微米级分辨率和毫米级深度成像。宽带光谱仪是其核心器件,直接决定了系统的轴向分辨率。面向小鼠视网膜高精度成像需求,笔者设计了一套基于自制光谱仪的OCT系统,并提出了一种基于系统性能指标(轴向分辨率和灵敏度下降)的光谱仪标定方法。通过理论计算和仿真,确定了光学器件的参数,并搭建了包括透镜、光栅和线扫描相机等硬件的系统。利用实验数据和光谱仪标定方法对光谱仪性能进行评估,结果表明:系统的有效成像深度可达2.5 mm,轴向分辨率优于3 μm,成像速率为100 kHz,成像范围内的灵敏度下降了23 dB,达到了OCT的应用需求。最后,将所搭建的光谱仪应用于小鼠视网膜成像实验,获得了良好的小鼠视网膜断层图像,并基于断层图像对两种不同小鼠视网膜各层的厚度进行了对比研究。
医用光学 光学相干层析成像 光谱仪 标定 视网膜成像 中国激光
2023, 50(21): 2107112
1 中国矿业大学信息与控制工程学院,江苏 徐州 221116
2 徐州市第一人民医院眼科,江苏 徐州 221116
基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂,多尺度及前、背景比例失衡,自动分割困难。因此,本文提出自适应补偿网络(SACom)实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架,首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力;然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息,对齐上下文特征;最后在解码器端设计协同补偿分支,融合多级输出提升模型的映射能力,实现精细分割。实验结果表明,SACom可有效提高视网膜血管的分割精度,在DRIVE、CHASE_DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753,灵敏度分别达到0.8403、0.8748和0.8506,曲线下面积(AUC)分别达到0.9880、0.9917和0.9919。
图像处理 视网膜血管 可变形卷积 上下文对齐 特征自适应融合 光学学报
2023, 43(14): 1418001