基于深度学习的模型,用于在超声波生物显微镜中自动评估前方角室
Weiyan Jiang1, Yulin Yan1, Simin Cheng1
1Eye Center, Renmin Hospital of Wuhan University, Wuhan, Hubei Province, China.
Ultrasound in medicine & biology
|September 20, 2023
概括
一个深度学习模型准确地分析了超声波生物显微镜 (UBM) 图像用于前腔角 (ACA) 评估,有助于诊断角闭眼镜. 这种人工智能工具的性能与眼科医生相当,为临床研究和诊断提供了有前途的帮助.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 主要闭角玻璃眼 (PACG) 诊断依赖于准确的前腔角 (ACA) 评估.
- 超声波生物显微镜 (UBM) 对于可视化 ACA 结构至关重要,但手动分析耗时且主观.
- 自动分析UBM图像可以提高ACA评估的效率和一致性.
研究的目的:
- 开发和验证深度学习模型,用于自动细分,分类和测量UBM图像中的ACA参数.
- 评估模型对虹膜曲率 (I-Curv),虹膜根插入 (IRI) 和角闭合 (AC) 的分类能力.
- 评估模型在定位状和测量ACA参数方面的性能,并与专家眼科医生进行比较.
主要方法:
- 一个大型数据集,包括来自1538名PACG患者的11006张UBM图像,用于模型开发.
- 使用UNet++网络进行ACA组织的自动细分.
- 支持向量机 (SVM) 和后勤回归 (LR) 算法被用于分类任务 (I-Curv,AC,IRI).
- 一个包含1658张图像的外部数据集被用于验证,以及439张图像用于专家比较.
主要成果:
- 该模型实现了高分类准确率:AC为95.2%,I-Curv为88.9%,IRI为85.6%.
- 在分类AC,I-Curv和IRI方面,模型的表现与眼科医生的表现相当 (准确率为0.765,p>0.05).
- ACA参数的平均相对误差低于15%,具有高的类内相关系数 (角度参数的ICC>0.911,虹膜厚度>0.884).
结论:
- 深度学习模型通过自动化UBM图像分析有效和准确地评估ACA.
- 这种人工智能工具显示出作为眼科医生在诊断和管理PACG方面的宝贵助手的潜力.
- 该模型的功能可能会扩大UBM成像在PACG研究和风险因素评估中的临床应用.
