通过使用生成对抗网络和光学一致性断层扫描的合成数据,增强可植入粘合器镜头的自动检测

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:

• 准确的植入式膜透镜 (ICL) 密室测量对于术后结果至关重要.
• 前段光学连贯性断层扫描 (AS-OCT) 是ICL评估的关键成像方式.
• 自动化ICL密室估计可以提高临床实践的效率和一致性.

研究的目的:

• 评估生成对抗网络 (GAN) 和合成数据在增强卷积神经网络 (CNN) 的有效性,用于自动化ICL库房估计.
• 为了提高CNN模型的性能,使用AS-OCT图像进行ICL库房测量.

主要方法:

• 使用深度学习框架进行回顾性分析,使用真实和合成AS-OCT图像.
• 使用GAN和图像编辑算法生成大约10万个合成ICL AS-OCT扫描.
• 在包括真实患者扫描和合成图像在内的数据集上训练CNN,然后使用MAPE,MAE和RMSE等指标进行评估.

主要成果:

• 仅在真实图像上训练的CNN实现了15.31%的MAPE,44.68微米的MAE和63.3微米的RMSE.
• 包括GAN生成和编辑的合成图像显著提高了性能:MAPE降至8.09%,MAE降至24.83微米,RMSE降至32.26微米.
• 在实际和预测的ICL地距离之间观察到高相关性 (R² = +0.98),测量与预测值没有显著差异 (P = .58).

结论:

• 整合GAN生成和合成图像大大提高了ICL库房估计的准确性.
• GAN和合成数据有效地改善了OCT图像分析,特别是在现实数据有限的场景中.
• 开发的模型显示了协助术后ICL评估和推进OCT自动化的潜力.