介绍基于深度学习的红外图像分析到边际反射距离1 测量方法同时捕获图像和计算结果:临床验证研究
Bokeun Song1,2, Hyeokjae Kwon1,3, Sunje Kim1
1Department of Plastic and Reconstructive Surgery, Chungnam National University Hospital, Daejeon 35015, Republic of Korea.
Journal of clinical medicine
|December 9, 2023
概括
一种新的深度学习方法使用红外摄像头准确测量眼边缘位置 (MRD1). 这种人工智能方法与现有方法有很强的一致性,提供了可靠的临床工具.
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:
- 边际反射距离1 (MRD1) 是眼边缘相对于角膜的位置的一个关键临床指标.
- 手动MRD1测量是耗时的,容易引起观察者之间的变化.
- 人工智能的进步为自动化和准确的MRD1评估提供了潜力.
研究的目的:
- 引入和评估基于深度学习的新型方法,用于自动化MRD1测量.
- 将人工智能驱动的MRD1测量与传统方法的准确性和一致性进行比较.
主要方法:
- 一项前性观察性研究,涉及77名患者的154只眼睛.
- 开发用于同时捕获图像和MRD1计算的深度学习算法.
- 通过手动笔灯,深度学习,RGB ImageJ和IR ImageJ方法进行测量的比较.
主要成果:
- 深度学习 (DL) 方法与IR ImageJ方法的一致性最强 (相关系数为0.822,p <0.01).
- 布兰德-阿尔特曼分析显示,MRD1_DL和MRD1_IR之间的最小平均差异 (0.0611) 和协议极限 (2.5162) 是 ImageJ.
- 平均MRD1值为2.64±1.04毫米 (手动),2.85±1.07毫米 (DL),2.78±1.08毫米 (RGB) 和3.07±0.95毫米 (IR).
结论:
- 使用红外摄像头和深度学习的新型MRD1测量方法具有统计学意义.
- 这种由人工智能驱动的方法表现出高准确度和可靠性,与既有方法相美.
- 拟议的方法适用于临床应用,有可能提高MRD1评估的效率和一致性.
