MACHINE LEARNING TO ASSESS THE CLINICAL SIGNIFICANCE OF VITREOUS FLOATERS

Particular embodiments disclosed herein provide a method for training a machine learning model to estimate the clinical significance of floaters in a patient's eye. One or more images, such as SLO images or en face retinal OCT images, are evaluated to identify shaded regions corresponding to floaters. The shaded regions are measured and the measurements processed using a machine learning model to obtain an estimated significance. The machine learning model is then updated according to a comparison of the estimated significance to a human-assigned clinical significance. The machine learning model may additionally or alternatively be updated by evaluating the estimated category with respect to visibility threshold data, such as one or more visibility threshold surfaces defined with respect to two or more variables. Des modes de réalisation particuliers ici divulgués concernent un procédé d'entraînement d'un modèle d'apprentissage automatique pour estimer l'importance clinique des corps flottants dans l'œil d'un patient. Une ou plusieurs images, telles que des images d'ophtalmoscopie laser à balayage (SLO) ou des images de tomographie en cohérence optique (OCT) rétiniennes de face, sont évaluées pour identifier des régions ombrées correspondant à des corps flottants. Les régions ombrées sont mesurées et les mesures traitées à l'aide d'un modèle d'apprentissage automatique pour obtenir une importance estimée. Le modèle d'apprentissage automatique est ensuite mis à jour en fonction d'une comparaison de la signification estimée à une signification clinique attribuée par un être humain. Le modèle d'apprentissage automatique peut en outre ou en variante être mis à jour par évaluation de la catégorie estimée par rapport à des données de seuil de visibilité, telles qu'une ou plusieurs surfaces de seuil de visibilité définies par rapport à deux variables ou plus.