基于视频的实时尼斯塔格姆追踪的可行性:使用眼部对象细分的轻量级深度学习模型方法
Changje Cho1, Sejik Park1, Sunmi Ma2
1Hallym University Medical Center, DIDIM Research Institute, Chuncheon, Republic of Korea.
Frontiers in neurology
|March 7, 2024
概括
一个新的深度学习算法准确地从眼睛运动中检测阴影,改进了的诊断. 该工具增强了紧急护理和远程神经病学评估中的诊断能力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 眼球运动测试在医疗保健机构诊断急性头时未得到充分利用.
- 缺乏对 nystagmus 检测的认识和工具有助于利用不足.
- 神经成像的诊断灵敏度低于的眼动测试.
研究的目的:
- 使用轻量级深度学习模型开发一个阴囊的测量算法.
- 自动识别眼部区域,用于尼斯塔格木斯检测.
- 提高眼动测试的诊断实用性.
主要方法:
- 开发了一个深度学习模型来分割眼睛区域,检测眼,并确定瞳孔中心.
- 该模型经过临床眼动视频和虚拟现实合成图像的训练.
- 绩效使用交叉与联盟,平均绝对误差和F1分数来评估.
主要成果:
- 该细分模型在眼部区域实现了高精度 (IoU 0.90-0.97).
- 眼睛跟踪和眼检测显示出高准确度 (MAE 0.595,F1 ≥ 0.95).
- 该模型展示了快速执行速度和高度准确的阴囊预测 (r > 0.99).
结论:
- 开发的模型可以自动细分眼部区域,并实时跟踪眼.
- 这项技术在紧急情况下和远程神经病学方面显示出显著的前景.
- 自动尼斯塔格木斯检测可以提高和其他神经疾病的诊断.
