弹性变形的光学连贯性断层扫描 图像 糖尿病的斑点 对于深度学习模型的培训:要走多远?
Daniel Bar-David1, Laura Bar-David2, Yinon Shapira3
1Faculty of Mechanical EngineeringTechnion Israel Institute of Technology Haifa 3200003 Israel.
IEEE journal of translational engineering in health and medicine
|October 11, 2023
概括
光学连贯断层扫描 (OCT) 图像的弹性变形在临床上是有效的,用于增强糖尿病黄斑 (DME) 检测数据集. 低到中等强度的变形增强了深度学习模型,而不损害图像完整性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病黄斑 (DME) 的检测依赖于光学连贯性断层扫描 (OCT) 图像的准确解释.
- 深度学习模型需要大型,多样化的数据集以获得最佳性能.
- 数据增强技术对于提高数据集大小和稳定性至关重要.
研究的目的:
- 评估弹性变形用于增强DME检测中的OCT图像的临床有效性.
- 为了确定不同变形强度对图像代表性的影响.
- 评估弹性变形在改善DME诊断深度学习模型方面的潜力.
主要方法:
- 对320个OCT DME图像的前性评估.
- 应用具有不同变形强度 (低,中,高) 的弹性转换.
- 由三个视网膜专家进行盲目评估,以区分原始图像和修改后的图像.
主要成果:
- 识别修改图像的假阴性率在变形水平之间从50-77%不等.
- 原始图像的正确识别率在73-91%之间.
- 低到中等强度的变形 (强度1-9) 在维护图像完整性方面显示出高准确性.
结论:
- 具有低至中等强度的弹性变形在临床上对DME的OCT图像增强是有效的.
- 这种技术可以有效地扩展训练数据集,而不会影响临床价值.
- 弹性变形有助于开发可靠,高精度的算法,用于自动化OCT图像分析.
更多相关视频
07:18Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
1.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
