深度神经网络与基于自我注意的自动确定系统,用于治疗区域和外围尖区域,用于青少年近视的orthoceratology
Mingxu Zhang1, Yujuan Guo2, Chengwei Zhou3
1Eye School of Chengdu University of T.C.M, Shierqiao Road 37(th), Jinniu District, Chengdu, Sichuan Province 610032, China; Key Laboratory of Sichuan Province Ophthalmopathy Prevention & Cure and Visual Function Protection, Shierqiao Road 37th, Jinniu District, Chengdu, Sichuan Province 610032, China; Beijing Ming Vision & Ophthalmology, Chongwenwai Street16(th), Dongcheng District, Beijing 100062, China.
概括
这项研究开发了一种AI模型,在脊椎病学 (OK) 镜头磨损后自动识别治疗区域 (TZ) 和外围化区域 (PSZ),实现高精度的精确视力校正分析.
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:
- 脊椎外科 (OK) 涉及用专用透镜重塑角膜.
- 精确识别治疗区 (TZ) 和外围凸区 (PSZ) 对于评估OK治疗的有效性至关重要.
- 目前用于TZ和PSZ确定的方法可能耗时且主观.
研究的目的:
- 开发和验证一个基于深度学习的自动模型,用于确定TZ和PSZ在脊椎病理学.
- 与专家注释相比,评估模型的准确性和一致性.
主要方法:
- 使用了使用Segformer架构的深度神经网络.
- 该模型在1346个角膜地形图上进行了训练.
- 细分结果被用于计算TZ,PSZ和TZ分散.
主要成果:
- 该模型在整个欧盟 (mIoU) 实现了超过97%的平均交叉点.
- 在测试组中,TZ和PSZ细分的特定IOU得分分别为98.08%和94.54%.
- 观察到TZ细分的高度一致性,与专家注释相比,PSZ细分的显著差异是由于干扰因素.
结论:
- 使用Segformer架构开发了一个高效和可重复的深度学习系统,用于准确的TZ和PSZ测定后orthokeratology.
- 该系统在临床研究应用方面表现有前途.
- 在广泛的临床部署之前,建议进一步验证.
