在白内障手术中用于瞳孔细分的自适应式张力特征提取

科学领域:

• 眼科医生 眼科 眼科
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 白内障手术是视觉显著白内障的唯一治疗方法,这是可预防失明的主要原因.
• 稳定的瞳孔扩张对于成功的白内障手术至关重要.
• 自动化瞳孔细分有助于识别手术期间瞳孔不稳定的风险.

研究的目的:

• 引入一种新的自适应波纹张量特征提取 (AWTFE) 方法,以提高基于深度学习的白内障手术中的瞳孔细分精度.
• 解决诸如可变照明,仪器阻塞和影响瞳孔识别的透镜水分等挑战.

主要方法:

• 构建一个第三阶张量来表示空间,颜色和波形子带相关性.
• 采用更高阶的奇数值分解来进行自适应冗余信息消除和学生特征估计.
• 在BigCat和CaDIS数据集上使用深度学习模型评估AWTFE.

主要成果:

• 在CaDIS数据集上,AWTFE显著提高了细分性能,高达3.31%,在BigCat数据集上提高了2.26%.
• 该方法在各种模型中实现了统计学上显著的改进 (P < 1.29 × 10-10),达到94.74% (BigCat) 和96.71% (CaDIS) 的子系数.
• 在具有挑战性的外科手术阶段,AWTFE提高了高达2.87%的性能,并超过了其他特征提取技术.

结论:

• AWTFE方法有效地提取了相关的学生特征,提高了深度学习模型对学生细分的准确性.
• 这种方法为改善白内障手术复杂环境中的自动化瞳孔识别提供了强大的解决方案.
• AWTFE通过使瞳孔不稳定的术前风险检测更加可靠,为更安全的白内障手术做出了贡献.