无监督的角膜轮提取算法与动态变形视频的共享模型:提高准确性和抗噪力

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:

• 精确的角膜轮提取对于生物力学评估和临床诊断至关重要.
• 现有的方法通常需要手动注释,这耗时且容易出现错误.
• 动态角膜视频经常含有噪音,使轮检测复杂化.

研究的目的:

• 开发一个自动的角膜轮提取算法,使用动态角膜视频的共享模型.
• 提高角膜生物力学评估和临床诊断的准确性和效率.
• 为了实现无监督的角膜区域的语义细分,而无需手动标记.

主要方法:

• 完全卷积的深度学习网络被用于无监督的语义细分.
• 该算法利用角膜几何和纹理信息进行轮提取.
• 使用共享模型机制来加快细分和抵制视频中的噪音.

主要成果:

• 该算法在使用超高速 Scheimpflug 摄像头获得的 1027 个角膜视频上得到验证.
• 实现了95%的交叉路口在联盟 (IoU) 和0.05.05的平均重叠误差.
• 证明有效的抗噪力和根据形状因素准确确定角膜区域.

结论:

• 开发的算法自动从杂的视频中提取准确的角膜轮,而无需手动注释.
• 它提供了良好的可重复性,在准确性和效率方面优于其他算法.
• 这种方法增强了角膜生物力学评估和临床诊断.