深度学习对内皮细胞图像的细分使用带有指导标签纠正的积极学习范式
Naomi Joseph1, Ian Marshall1, Elizabeth Fitzpatrick1
1Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States.
Journal of medical imaging (Bellingham, Wash.)
|January 8, 2024
概括
引导校正软件提高了自动化角膜内皮细胞细分的准确性,并减少了手动编辑时间. 这种主动学习方法可以增强深度学习模型的性能,用于皮形成术后的图像.
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:
- 准确的角膜内皮细胞 (EC) 细分对于评估化术后的结果至关重要.
- 自动化细分方法往往需要手动校正,这很耗时.
- 深度学习模型有希望,但需要高质量的培训数据.
研究的目的:
- 开发指导校正软件,以高效地手动编辑自动化EC细分.
- 应用这个软件在一个积极的学习框架内,用于分析化术后的EC图像.
- 提高EC细分的深度学习模型的性能和通用性.
主要方法:
- 一个U-Net模型生成了皮形成术后图像的初始EC细分.
- 使用指导校正软件手动完善这些细分,创建更正的标签.
- 在U-Net和DeepLabV3+模型中,使用未经纠正和已被纠正的细分标签进行训练.
- 基于细分精度,细胞识别和内皮细胞密度 (ECD) 估计,评估了性能.
主要成果:
- 训练具有纠正细分的深度学习模型显著提高了性能,减少了过度和不足的细分.
- 在经过纠正的数据上训练的模型实现了与地面真相相比的准确ECD预测.
- 引导校正软件和半自动化工作流程将图像分割时间减少了80%以上 (从15-30分钟减少到5分钟).
结论:
- 引导校正软件可以有效地标记深度学习的训练数据.
- 这种方法提高了EC细分模型的性能和概括能力.
- 该软件可以更好地分析多种多样化的乳头形术后EC图像数据集.
