一种深度学习方法来检测硬度排泄物,并在OCT图像上识别视网膜内层的检测和失序
Lisa Toto1, Anna Romano2, Marco Pavan3
1Ophthalmology Clinic, Department of Medicine and Ageing Science, University "G. D'Annunzio" of Chieti-Pescara, Via Dei Vestini Snc, 66100, Chieti, Italy.
Scientific reports
|July 19, 2024
概括
一个深度学习系统有效地检测到硬排泄物 (HE) 和分类视网膜内层失调 (DRIL) 在光学连贯性断层扫描 (OCT) 图像中的糖尿病黄斑胀 (DME) 患者.
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:
- 糖尿病黄斑 (DME) 是导致视力丧失的主要原因.
- 准确检测硬排泄物 (HE) 和视网膜内层失调 (DRIL) 对于DME管理至关重要.
- 目前对光连贯断层扫描 (OCT) 图像的分析可能耗时.
研究的目的:
- 开发和评估一个深度学习 (DL) 系统来检测HE和分类DRIL.
- 分析患有糖尿病黄斑 (DME) 的患者的OCT图像.
- 评估DL模型在确定DME的关键指标方面的表现.
主要方法:
- 一组442张OCT图像的数据集为HE和DRIL进行了策划和注释.
- 进行了数据清理,图像转换和DL模型训练.
- 使用了最先进的神经网络 (Yolov7,ConvNeXt,RegNetX) 和集体学习.
主要成果:
- 该DL模型在HE检测 (AP@0.5: 34.4%) 和DRIL分类 (准确率: 91.1%) 中取得了良好的表现.
- 在DRIL分类中报告了高灵敏度和特异性 (91.1%).
- 通过P值<0.05和卡帕系数为0.82.8的统计学意义得到证实.
结论:
- 开发的DL系统准确地识别了DME患者的OCT图像中的HE和DRIL.
- DL方法表现出强大的绩效指标,证实了它的可靠性.
- 这种DL系统显示出作为OCT图像分析中眼科医生的宝贵支持工具的潜力.
