通过人工智能驱动的量化和标准化来增强美图图像分析,用于干眼研究.
Chun-Hsiao Yeh1,2,3, Andrew D Graham1,3, Stella X Yu2,4
1Vision Science Group, Herbert Wertheim School of Optometry and Vision Science, University of California, Berkeley, Berkeley, CA, USA.
Translational vision science & technology
|June 21, 2024
概括
这项研究使用人工智能 (AI) 来标准化梅博姆腺 (MG) 红外图像分析,用于干眼 (DE) 研究. 人工智能方法提高了从meibography图像中分类DE表型的准确性.
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:
- 干眼 (DE) 疾病的诊断依赖于梅博姆腺 (MG) 的评估.
- 目前的微图分析方法缺乏标准化,并与多样化的数据集作斗争.
- 现有方法的局限性阻碍了DE研究中MG的准确表征.
研究的目的:
- 开发一种基于人工智能的标准化方法,用于梅博姆腺 (MG) 干眼 (DE) 研究中的红外图像分析.
- 为了克服当前的Meibography评估方法的局限性.
- 为了弥合MG图像分析的策划和现实世界数据集之间的差距.
主要方法:
- 一个两阶段的人工智能过程,涉及自动眼检测和状板细分.
- 在策划数据上训练人工智能模型,以便将其应用于非策划数据集.
- 实现镜面反射去除和状板面膜精细化,以进行精确的分析.
主要成果:
- 在区分干眼 (DE) 和非DE受试者时,获得了80.8%的实例精度.
- 增强的meibography功能通过整合不同的数据集和完善感兴趣的区域来提取精度.
- 统一多重近似和投影 (UMAP) 揭示了不同的DE和非DE表型集群.
结论:
- 人工智能方法标准化了梅博姆腺 (MG) 图像分析,量化和分类图像特征.
- 从精心策划的数据集中引导模型解决了现实世界的数据挑战,提高了特征提取精度.
- 这种标准化的方法有助于针对性地调查MG特征.
