通过使用深度学习,从彩色底部照片中预测中枢胸膜厚度.

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:

• 准确估计中央胆道厚度 (CCT) 对于诊断各种视网膜疾病至关重要.
• 目前用于CCT测量的方法可能是侵入性的或需要专门的设备.
• 彩色基底图像广泛可用,这使得它们成为CCT估计的有吸引力的来源.

研究的目的:

• 开发和验证一种深度学习 (DL) 算法,用于从色底图像中估计CCT.
• 使用来自多个机构的独立数据集来评估算法的性能.
• 证明DL在增强冠状腺异常诊断能力方面的潜力.

主要方法:

• 一个DL模型被训练使用2548色 fundus图像从吉医疗大学医院.
• 该模型在来自三个不同机构的393张图像的单独数据集上进行了验证.
• 排除标准包括特定的病理,如子皮质出血和斑点;包括具有可见色素表皮的图像.

主要成果:

• 在10倍交叉验证过程中,DL算法实现了73微米的标准偏差.
• 用所有机构的数据重新训练算法,显著降低了外部验证数据集的标准偏差.
• 这表明不同成像来源的概括性和准确性得到了改进.

结论:

• 本研究介绍了第一个基于DL的方法,用于从色底图像中估计CCT.
• 经过验证的算法显示出强大的性能和临床应用的潜力.
• 预计该工具将帮助临床医生评估胆道结厚和稀薄,有助于疾病检测.