根据基于卷积神经网络的色底图像估计区域胆道厚度

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:

• 冠状腺厚度是眼睛健康的关键指标.
• 精确测量胸膜厚度对于诊断和监测眼睛疾病至关重要.
• 目前用于测量胆道厚度的方法可能是侵入性的或耗时的.

研究的目的:

• 开发和评估卷积神经网络 (CNN) 模型,用于从彩色底图像中估计区域胆道厚度.
• 为了优化性能,比较不同的CNN架构和任务学习模型.
• 评估使用ETDRS网格和100网格子区域预测平均和子区域胆道厚度的准确性.

主要方法:

• 利用了1276张彩色 fundus 照片和健康受试者的相应胆道厚度值.
• 部署了十个常见的CNN,以确定最准确的模型 (Efficientnet-b0).
• 采用单项,多项和辅助任务训练模型来预测胆道厚度,以平均绝对误差和R2.2进行评估.

主要成果:

• 效率网-b0实现了最低的平均绝对误差 (25.61μm) 和最高的R2 (0.7817) 平均胸膜厚度.
• 辅助任务 (透镜球形,前腔深度,透镜厚度) 显著提高了预测准确度.
• 多任务模型在区域胆道厚度估计方面表现优于单任务模型 (MAE:31.10微米与33.20微米).

结论:

• Efficientnet-b0,结合多任务和辅助任务学习,可以从彩色底部照片中准确估计黄斑冠状腺厚度.
• 这种由人工智能驱动的方法提供了一种非侵入性和精确的方法来评估区域胆道厚度.
• 这项研究表明了深度学习在定量眼科成像分析中的潜力.