专家内部和专家间验证自动细分方法 流体区域与中枢血清胆色素变异相关的OCT图像图像
Mateo Gende1,2, Lúa Castelo1,2, Joaquim de Moura3,4
1Grupo, VARPA, Instituto de Investigación Biomédica de A Coruña (INIBIC), Universidade da Coruña, Xubias de Arriba, 84, 15006, A Coruña, Spain.
Journal of imaging informatics in medicine
|February 12, 2024
概括
深度学习模型在光学连贯断层扫描 (OCT) 图像中自动细分中央血清性胆色素变异 (CSC) 病变. 这些人工智能工具与人类专家达成高度一致,提供了更客观的诊断方法.
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:
- 中央血清性胆色素变异症 (CSC) 是一种视网膜疾病,其特征是液体积累,导致视力扭曲.
- 诊断依赖于光学连贯断层扫描 (OCT) 成像,手动检测流体区域是耗时和主观的.
- 需要在OCT图像中对CSC病变进行自动细分,以提高诊断的准确性和效率.
研究的目的:
- 开发和比较深度学习模型,用于在OCT图像中自动细分CSC相关的病变.
- 在外部验证研究中评估最佳模型的性能.
- 为了比较自动细分与专家眼科医生手动细分的协议.
主要方法:
- 训练和比较了六种不同复杂度的基于深度学习的自动细分架构.
- 表现最好的模型经过了外部验证.
- 进行了专家内部和专家间的分析,以比较手动和自动细分.
主要成果:
- 性能最好的深度学习模型在内部数据集中获得了平均Dice分数.
- 在外部验证中,模型与人类专家达成了高达0.960的卡帕系数协议.
- 自动化模型显示,与个人人类专家的共识比专家彼此的共识更高.
结论:
- 基于深度学习的自动细分模型显示出在OCT图像中检测CSC相关病变的巨大潜力.
- 这些模型可以作为评估CSC的有价值工具,减少手工工作量.
- 与手动检查相比,自动化细分提供了更强大,更客观的诊断方法.
