深度学习框架用于在体内子结膜中自动化杯状细胞密度分析
Seunghyun Jang1, Seonghan Kim2, Jungbin Lee2
1Department of Biomedical Engineering, Yonsei University, 1 Yonseidae-gil, Wonju-si, Gangwon-do, 26493, Republic of Korea.
Scientific reports
|December 21, 2023
概括
一个新的深度学习框架,DCAU-Net,准确地分析眼睛图像中的杯细胞 (GCs). 这种方法有助于通过量化GC密度和大小来诊断眼睛表面疾病.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
背景情况:
- 玻璃杯细胞 (GCs) 对于眼睛表面的健康至关重要,它们产生催膜和免疫耐受性的粘膜.
- GC损失是各种眼睛表面疾病的标志物,需要精确的诊断方法.
- 基于moxifloxacin的光显微镜 (MBFM) 提供了GCs的非侵入性,高对比度可视化.
研究的目的:
- 开发一个强大的深度学习框架来分析通过MBFM获得的GC图像.
- 为了实现用于诊断目的的GC密度和形态的定量评估.
主要方法:
- 开发一个双通道注意力U-Net (DCAU-Net) 深度学习模型.
- 使用双通道卷积来提取纹理和形态特征.
- 整合全球通道关注模块以进行增强的分析.
- 使用正常和眼睛表面损伤子模型进行验证.
主要成果:
- DCAU-Net在GC细分方面实现了93.1%的准确性,在GC密度估计方面达到94.3%.
- 在正常子中证明了GC密度和尺寸的空间变化.
- 在康复期间眼表面损伤的子中显示了GC密度和尺寸的下降.
- GC分析结果与组织学发现相关联.
结论:
- DCAU-Net提供了一种强大而准确的方法来分析GC图像.
- 这种深度学习方法与MBFM相结合,可以为诊断眼睛表面疾病提供宝贵的信息.
- 这些发现支持DCAU-Net在精密眼科医学的潜在临床应用.
