通过使用基于机器学习的堆叠多级编码器和解码器的多阶段系统来改进视网膜层的OCT图像细分.
Arunodhayan Sampath Kumar1, Tobias Schlosser1, Holger Langner2
1Junior Professorship of Media Computing, Chemnitz University of Technology, 09107 Chemnitz, Germany.
Bioengineering (Basel, Switzerland)
|October 28, 2023
概括
本研究引入了一种新的机器学习系统,用于在光学连贯断层扫描 (OCT) 图像中对视网膜层进行细分. 新的多阶段深度学习模型在评估眼睛健康方面比现有方法更准确.
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:
- 光学连贯断层扫描 (OCT) 对于分析视网膜层来评估眼睛健康和疾病进展至关重要.
- 在OCT图像中对视网膜层进行准确的细分对于临床评估和治疗规划至关重要.
研究的目的:
- 开发和评估一种基于机器学习 (ML) 的新型多阶段系统,用于在OCT图像中精确细分视网膜层.
- 通过改进的OCT图像分析,加强对人眼生理和病理状态的评估.
主要方法:
- 提出了一种多阶段的深度学习 (DL) 系统,采用堆叠的多级编码器和解码器来进行海外国家和地区的图像细分.
- 利用深度神经网络 (DNN) 并将通常部署的DL方法结合在拟议的架构中.
主要成果:
- 在外皮皮质的OCT数据集上,在视网膜层细分上获得了82.25±0.74%的Sørensen-Dice系数.
- 超过目前最好的单阶段模型的1.55% (80.70±0.20%),显示出显著的改进.
- 在多样化和杂的数据集上验证了模型性能,包括杜克SD-OCT,海德堡和UMN.
结论:
- 叠加多个多尺度编码器和解码器显著提高了OCT图像细分性能.
- 拟议的基于ML的系统在临床实践中为视网膜层细分提供了更准确和更强大的方法.
- 这一进步有助于更好地评估使用OCT成像的患者健康和治疗疗效.


