ScLNet:一个带有状镜片的角膜,OCT层细分数据集和新的多任务模型
Yang Cao1, Xiang le Yu1, Han Yao1
1Oujiang Laboratory (Zhejiang Lab for Regenerative Medicine, Vision and Brain Health), Eye Hospital and School of Ophthalmology and Optometry, Wenzhou Medical University, Wenzhou, 325000, China.
Heliyon
|July 29, 2024
概括
这项研究介绍了ScLNet,这是一个深度学习模型,用于使用OCT图像在膜透镜下细分不规则的角膜和液库. ScLNet实现了高精度,为眼科研究和临床应用提供了宝贵的工具.
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:
- 在眼镜下精确细分角膜结构和液储库 (TFR),对于诊断和管理各种眼睛疾病至关重要.
- 现有的方法经常与不规则的角膜作斗争,需要手动细分,这耗时且容易引起观察者之间的变化.
研究的目的:
- 开发一种深度学习模型,使用光学连贯断层扫描 (OCT) 图像,在状镜片下准确细分不规则的角膜和TFR边界.
- 为了培训和验证,创建和发布一个公开可用的角膜与眼镜 (ScL) OCT图像与手动层注释的角膜数据集.
- 引入ScLNet,这是一个多任务网络,用于快速和自动细分状透镜,TFR和角膜层.
主要方法:
- 创建了一个数据集,包括31,360张OCT图像与状镜片注释.
- 一个新的多任务深度学习网络 (ScLNet) 被设计成一个编码器,具有多尺度输入和上下文编码层,加上两个解码器用于细分和边界预测.
- 使用子相似系数 (DSC),交叉与联接 (IoU),马修斯相关系数 (MCC),精度和豪斯多夫距离 (HD) 来评估性能,并与最先进的方法进行比较.
主要成果:
- 在SclNet的研究中,SclNet实现了对结膜镜片 (98.22% DSC,96.50% IoU),TFR (97.78% DSC,95.66% IoU) 和角膜 (99.22% DSC,98.45% IoU) 的高细分精度.
- 该模型在所有细分结构中展示了具有低豪斯多夫距离 (HD) 值的优秀边界检测能力.
- 通过ScLNet的层接口识别与专家的注释密切匹配,表明强大的性能.
结论:
- 开发的ScLNet模型从OCT图像中准确地细分了状透镜,TFR和角膜层,即使在角膜不规则的情况下也是如此.
- 公开发布的ScLNet数据集和拟议的深度学习架构为眼科OCT成像中的自动化分析提供了重大进展.
- 这项工作有助于提高诊断能力和研究影响角膜和状镜片接口的疾病.
