相关实验视频
Updated: Jun 27, 2026
10:46
Doppler Optical Coherence Tomography of Retinal Circulation
Published on: September 18, 2012
18.8K
一个开源的深度学习算法,用于高效和完全自动地分析光学连贯性断层扫描中的胸膜
Jamie Burke1, Justin Engelmann2,3, Charlene Hamid4
1School of Mathematics, University of Edinburgh, Edinburgh, UK.
Translational vision science & technology
|November 21, 2023
概括
开源的深度学习算法DeepGPET在OCT扫描中自动化了胆管细分,大大减少了处理时间,同时保持了研究和临床使用的高精度.
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:
- 在光学连贯断层扫描 (OCT) 中精确的胆管细分对于系统性疾病研究至关重要.
- 现有的方法往往是半自动的,需要人工干预,并引入主观性.
- 需要开源,完全自动的算法来进行高效的胆道分析.
研究的目的:
- 开发DeepGPET,这是一个开源的,完全自动的深度学习算法,用于在海外国家和地区的数据中进行胆管细分.
- 与验证的半自动方法相比,评估DeepGPET的性能和效率.
主要方法:
- 一个带有MobileNetV3骨干的U-Net模型在715个OCTB扫描数据集上进行了微调.
- 使用半自动高斯过程边缘跟踪 (GPET) 方法生成了基准真相细分.
- 使用细分协议指标,胸腔厚度/面积测量和定性临床评估来评估性能.
主要成果:
- 深GPET与GPET表现出很好的一致性 (AUC=0.9994,Dice=0.9664).
- 它显著减少了处理时间,从每张图像的34.49秒 (GPET) 减少到每张图像的1.25秒.
- 临床眼科医生评估显示,与GPET相比,其质量性能相当.
结论:
- DeepGPET提供了一个高度准确和高效的解决方案,用于自动的胆管细分.
- 它的开源性质和缩短的处理时间促进了大规模的胆道测量.
- 该算法可以在没有经过培训的操作员的情况下在临床上部署,从而提高了客观性和可访问性.
