用自动数据增强进行深度学习,用于对X链接青少年视网患者的光学连贯性断层图像中的分裂腔细分X链接青少年视网患者的图像
1Department of Ophthalmology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences, Peking Union Medical College, No. 1, Shuai Fu Yuan, Beijing 100730, China.
Diagnostics (Basel, Switzerland)
|October 14, 2023
概括
自动化的深度学习模型在OCT图像中准确地细分视网膜分裂腔,用于X链接的青少年视网膜分裂 (XLRS). U-Net++实现了最高的准确性,为疾病监测提供了精确的解决方案.
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:
- 与X结合的青少年视网膜分裂 (XLRS) 是一种遗传性视网膜疾病.
- 在光学连贯断层扫描 (OCT) 图像中精确细分视网膜分裂腔对于监测XLRS进展至关重要.
- 手动细分方法耗时且主观.
研究的目的:
- 开发和评估自动化的深度学习模型,用于精确细分OCT图像中的分裂腔.
- 为了比较五个最先进的深度学习模型对这个任务的性能.
- 调查强化学习优化数据增强对模型性能的影响.
主要方法:
- 使用了五种深度学习模型:U-Net,U-Net++,注意力U-Net,剩余U-Net和TransUNet.
- 在30名XLRS患者的1500张OCT图像数据集上训练模型.
- 采用通过深度强化学习优化的数据增强策略.
主要成果:
- 深度学习模型在分裂腔细分方面实现了与人类相当的准确性.
- U-Net++表现出卓越的性能,准确度为0.9927,子系数为0.8568.
- 基于强化学习的数据增强增强了模型的稳定性和精度.
结论:
- 深度学习,特别是U-Net++,提供了一种强大而精确的自动化方法,用于在OCT图像中对分裂腔进行细分.
- 这种方法为XLRS的临床评估和治疗规划提供了有前途的进展.
- 自动化细分可以克服手工方法的局限性,提高效率和客观性.
更多相关视频
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.5K
11:03Subretinal Transplantation of Human Embryonic Stem Cell Derived-retinal Pigment Epithelial Cells into a Large-eyed Model of Geographic Atrophy
Published on: January 22, 2018
10.0K