一个基于深度学习的模型,用于自动细分和评估角膜新血管化,使用切割灯前段图像
Xiaoran Chu1, Xin Wang2, Chen Zhang1
1Department of Cornea and Refractive Surgery, Tianjin Key Laboratory of Retinal Functions and Diseases, Tianjin Branch of National Clinical Research Center for Ocular Disease, Eye Institute and School of Optometry, Tianjin Medical University Eye Hospital, Tianjin, China.
Quantitative imaging in medicine and surgery
|October 23, 2023
概括
一个深度学习模型,IterNet,从裂纹灯图像中准确评估角膜新血管化 (CoNV). 这种自动化方法为临床评估CoNV提供了快速有效的替代方案.
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:
- 角膜新血管化 (CoNV) 是前段眼部疾病的重要指标.
- 目前的CoNV评估方法往往耗时,需要专门的设备.
- 迫切需要快速高效的 CoNV 评估工具.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于自动细分和量化 CoNV.
- 为了评估DL模型的临床可用性,使用裂纹灯前段图像.
主要方法:
- 收集了一组80张与冠状病毒感染的角膜裂纹灯照片的数据集.
- IterNet深度学习网络在60个手动细分的图像上接受了培训.
- 在20张测试图像上使用AUC,精度和F1得分等指标评估模型性能.
主要成果:
- IterNet模型实现了高性能,AUC为0.989,准确度为0.988.
- 在自动细分和手动标签之间观察到很好的一致性 (一致性相关系数为0.989).
- 自动化船舶像素计数显示与手动结果有很强的相关性 (皮尔森系数0.981,P<0.01).
结论:
- IterNet模型提供了一种节省时间和高效的自动化方法,用于定量 CoNV 评估.
- 这种基于DL的方法显示出在患者护理和研究中临床应用的巨大潜力.
- 使用裂纹灯图像进行自动化的CoNV评估可以提高诊断效率.
