通过基于CNN的 Saliency 预测方法,预测临床医生对 DrDeramus 的固定 OCT 报告

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:

• 医生对光学连贯性断层扫描 (OCT) 报告的解释对于诊断眼睛疾病,如玻璃眼瘤至关重要.
• 在OCT报告分析过程中了解视觉注意力模式可以提高诊断准确性和培训.
• 目前用于预测医生专注于医疗报告的方法有限.

研究的目的:

• 为了预测医生对眼科的固定,OCT报告使用基于卷积神经网络 (CNN) 的突出性预测.
• 通过在OCT报告中确定关键领域,开发一个帮助眼科医生和眼科医生接受培训的教育工具.
• 在眼科诊断的背景下,评估基于CNN的突出性预测模型的准确性.

主要方法:

• 15名眼科医生每人评估了20份OCT报告,评估了青光眼的可能性.
• 用学生实验室核心眼睛追踪器收集了眼睛追踪数据.
• 从眼睛跟踪数据生成固定热图,以分析视觉注意力.

主要成果:

• 传统的突出性映射模型实现了0.208.8的相关系数 (CC).
• 标准化扫描路径突出度 (NSS),Kullback-Leibler分歧 (KLD) 和结构相似度指数 (SSIM) 的值分别为0.8172,2.573和0.169.
• 该TranSalNet模型在预测特定的OCT报告区域的固定方面表现出合理的准确性.

结论:

• 通过TranSalNet模型,可以预测医生对OCT报告的关注.
• 需要通过增加和改进数据进行进一步的研究,以提高模型性能.
• 未来的工作重点是扩大数据收集,完善数据质量和优化模型架构.