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

• Published in: Mevlana Medical Sciences
• Main Authors: Erşan, İsmail, Yücebaş, Sait Can, Turgut, Burak
• Format: Journal Article
• Language: English
• Published: 17.04.2023
• ISSN: 2757-976X; 2757-976X
• DOI: 10.56752/Mevmedsci.2023.20

ÖZET Amaç: Spektral domain optik koherens tomografi (SD-OKT) ile ölçülen peripapiller retina sinir lifi tabakası (RSLT), ganglion hücre kompleksi (GHK) ve optik sinir başı (OSB) parametreleri ile görme alanı (GA) parametrelerini kullanarak glokom tanısı koymak için derin öğrenme modeli geliştirmeyi amaçladık. Yöntemler: Glokom tanılı 78 hasta ile 53 sağlıklı olgu çalışmaya dahil edildi. Veri kümesi %60 eğitim %40 test şeklinde ayrıldı. Derin öğrenme modeli geliştirmek için RSLT, GHK, optik sini başı parametreleri ile görme alanı parametreleri kullanıldı. İlgili model RapidMinerStudio9.2 sürümü üzerinde gerçekleştirilmiştir. 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. Anahtar Kelimeler: Glokom, derin öğrenme, optik koherens tomografi, yapay sinir ağı ABSTRACT Aim: To develop a deep learning (DL) model for detection of glaucoma based on peripapillary retinal nerve fiber layer (pRNFL), ganglion cell layer (GCL), optic nerve 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 split into training (%60) and test (%40) datasets. pRNFL, GCL, optic nerve head parameters and visual field parameters were used for the deep learning classifier. RapidMinerStudio9.2 was used for our deep learning model. Results: In the test dataset, this deep learning system achieved an AUC of 0,817 with a sensitivity of % 96. Conclusion: An SD-OCT and visual field based deep learning system can detect glaucomatous structural change with high sensitivity and specificity. Key words: Glaucoma, deep learning, optical coherence tomography, artificial neural network