在T2磁共振成像中使用三维U网对人类眼球进行全自动细分
Jin-Ju Yang1,2, Kyeong Ho Kim3, Jinwoo Hong4
1Department of Ophthalmology, Hanyang University College of Medicine, Seoul, Korea.
Translational vision science & technology
|November 17, 2023
概括
一个新的深度学习工具,3D U-Net,从MRI扫描中准确地细分人类眼球体积. 这种方法在不同的视线和人群中显示出可靠性,有助于眼科诊断和研究.
科学领域:
- 眼科成像和分析 眼科成像和分析
- 医疗人工智能的人工智能
- 放射学中的深度学习.
背景情况:
- 人类眼球的精确细分对于眼科诊断和研究至关重要.
- 现有的细分方法可能在不同的条件下缺乏自动化或稳定性.
- 深度学习模型为自动化和精确的医学图像分析提供了潜力.
研究的目的:
- 开发和验证用于自动化人类眼球细分的3D U-Net深度学习工具.
- 将3D U-Net的性能与2D U-Net和半自动地面真相进行比较.
- 为了研究年龄和性别对眼球体积和视线依赖的体积一致性的影响.
主要方法:
- 追溯收集了来自119名患者的474张MRI扫描,这些患者的目光方向各不相同.
- 应用十倍交叉验证用于培训和测试3D和2DU-NET模型.
- 定量性表现指标和布兰德-阿尔特曼分析用于准确性评估;对年龄/性别和凝视效应的统计分析.
主要成果:
- 3D U-Net 实现了高精度 (>0.95) 和可接受的与地面真相一致,但略高估计.
- 通过这两种方法检测到眼球体积的显著年龄和性别差异.
- 分段精度因视角方向而异,向上视角显示较低的性能;没有发现视角之间的显著体积差异.
结论:
- 3D U-Net证明了人眼球从T2加权MRI的有效和可靠的自动细分.
- 该模型在不同人群和视线方向的稳定性支持其在眼科应用中的实用性.
- 这种工具可以在眼科研究中进行3D眼球形状分析和眼动检测.
