We sought to determine whether early nerve damage may be detected by corneal confocal microscopy (CCM), skin biopsy, and neurophysiological tests in 86 recently diagnosed type 2 diabetic patients compared with 48 control subjects. CCM analysis using novel algorithms to reconstruct nerve fiber images was performed for all fibers and major nerve fibers (MNF) only. Intraepidermal nerve fiber density (IENFD) was assessed in skin specimens. Neurophysiological measures included nerve conduction studies (NCS), quantitative sensory testing (QST), and cardiovascular autonomic function tests (AFTs). Compared with control subjects, diabetic patients exhibited significantly reduced corneal nerve fiber length (CNFL-MNF), fiber density (CNFD-MNF), branch density (CNBD-MNF), connecting points (CNCP), IENFD, NCS, QST, and AFTs. CNFD-MNF and IENFD were reduced below the 2.5th percentile in 21% and 14% of the diabetic patients, respectively. However, the vast majority of patients with abnormal CNFD showed concomitantly normal IENFD and vice versa. In conclusion, CCM and skin biopsy both detect nerve fiber loss in recently diagnosed type 2 diabetes, but largely in different patients, suggesting a patchy manifestation pattern of small fiber neuropathy. Concomitant NCS impairment points to an early parallel involvement of small and large fibers, but the precise temporal sequence should be clarified in prospective studies.

BACKGROUND This case report illustrates the incidental detection of atypical hyporeflective bleb-like structures in an otherwise asymptomatic human cornea, highlighting the effectiveness of non-invasive biophotonic imaging techniques such as optical coherence tomography (OCT) and large-area confocal laser scanning microscopy (CLSM). CASE REPORT A 57-year-old man underwent a comprehensive ophthalmological examination, including slit-lamp biomicroscopy, corneal topography, and densitometry, as part of a clinical study. The patient presented with a clear cornea, a deep and optically empty anterior chamber, and a clear crystalline lens in both eyes. Best-corrected distance visual acuity was -0.1 logMAR. He denied ocular pain, tearing, or photophobia. There was no history of ocular trauma, infectious or genetic diseases, or ocular surgery. Further, OCT and large-area CLSM were employed for a more in-depth analysis of the corneal structure. Standard ophthalmological assessments indicated normal ocular health with no apparent corneal abnormalities. High-resolution OCT and large-area CLSM imaging revealed atypical hyporeflective bleb-like structures within the corneal epithelium and sub-basal nerve plexus but not in the stroma. CONCLUSIONS The authors hypothesize that the observed findings may indicate an early stage of epithelial basement membrane dystrophy, potentially preceding the manifestation of clinical symptoms, detectable solely through advanced biophotonic imaging methods. It is important to emphasize that these observations do not represent a definitive diagnosis. Nevertheless, the discovery of these atypical structures via advanced imaging underscores the importance of incorporating non-invasive biophotonic techniques into preoperative eye examinations in certain situations. This approach could significantly improve the early detection and management of corneal diseases, leading to improved patient outcomes.

This study addresses the need for an automated and accurate 3D segmentation of the healthy human eye and orbit from Magnetic Resonance Images, to allow improved ophthalmic diagnostics and treatments. Past efforts primarily focused on small sample sizes and varied imaging modalities. Here, we leverage a large-scale dataset of T1-weighted MRI of 1245 subjects and the use of the deep learning-based nnU-Net for MR-Eye segmentation tasks. The results showcase robust and accurate segmentations of lens, globe, optic nerve, rectus muscles, and fat. We also present the automated estimation of key ophthalmic biomarkers such as AL and volumetry, while benchmarking correlations between body mass index (BMI) and eye structure volumes. Quality control protocols are introduced through the pipeline to ensure the reliability and clinical relevance of the segmented large-scale data, further enhancing the applicability of our algorithm.

Abstract Background The aim of the study was to capture images that form on the human retina after the simulated implantation of an intraocular lens (IOL). White light was used rather than the commonly used near-infrared light, which is unsuitable for the examination of diffractive IOLs. For this purpose, a special optical setup was developed to investigate the influence of the IOL design on two-dimensional retinal images in vivo. Materials and Methods A double-pass ophthalmoscopic setup with a scientific CCD camera system was developed. Imaging the retinal image of a white LED located at infinity provides access to the double-pass point spread function of the natural eye. Subsequently, a see-through device for simulated IOL implantation (VirtIOL, 10Lens S. L. U., Terrassa, Spain) was integrated to investigate the influence of the IOL design on the retinal image quality of complex scenarios. Results Retinal images were acquired from an incoherent white point light source. Combined with simulated IOL implantation, retinal images were acquired from the point light source, letters, and a United States Airforce target on a 6-m distant monitor. As expected, the double-pass images obtained with a monofocal IOL were sharper than those obtained with a multifocal IOL. Conclusion The method opens up access to double-pass point spread function for white light, thus solving the problem of infrared light-based methods providing incorrect results when examining diffractive IOLs. This approach may be helpful for the investigation of perception in the future.

In der diesjährigen Dezemberausgabe der Klinischen Monatsblätter für Augenheilkunde, die unter dem Schwerpunkt "Neue Technologien und Innovationen" steht, präsentieren wir aktuelle Entwicklungen in der Ophthalmologie und beleuchten innovative Ansätze, die das Feld heute und in der Zukunft prägen.

Motivation: Reliable large-scale MREye segmentation. Goal(s): Quality control of eye MRI and deep learning segmentation validation. Approach: We automatically extract Image Quality Metrics (IQMs) and use them as features to train a model in a supervised framework with expert rating annotations as target. Multi-class 3D MREye segmentation is done for the first time using the deep-learning-based approach nnUNet. Results: None of the models achieved the required levels of sensitivity and specificity necessary for our MREye application. nnUNet for MREye segmentation tasks yielded promising outcomes, robust to a variety of MRI quality. Impact: MREye does not escape the evidence that insufficient data quality threatens the reliability of analysis outcomes. We pioneer manual and automated quality control on MREye and benchmark deep learning eye segmentation.