周期性形态的多维定量表征:通过深度学习网络,通过深度学习网络来区分以斯托普里亚和史诗
Huimin Li1, Shengqiang Shi2,3, Lixia Lou1
1Eye Center, The Second Affiliated Hospital of Zhejiang University, School of Medicine, Zhejiang Provincial Key Laboratory of Ophthalmology, Zhejiang Provincial Clinical Research Center for Eye Diseases, Zhejiang Provincial Engineering Institute on Eye Diseases, Hangzhou, China.
Quantitative imaging in medicine and surgery
|September 16, 2024
概括
深度学习通过分析周期性形态学,准确地识别了史诗和以斯托普. 这种客观方法有助于区分这些疾病,改善临床诊断.
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:
- 显著的史诗兰花可以影响眼睛的美学,并模仿伪-esotropia.
- 准确识别周期性形态对于诊断至关重要.
研究的目的:
- 应用深度学习模型来表征周期性形态学.
- 使用定量指标来区分史诗和同时发生的食otropia.
主要方法:
- 对300名 (7-18岁) 患有尖虫或深的受试者和健康对照者的前性研究.
- 从面部图像中自动和手动提取眼镜和双眼镜对称度量.
- 使用Dice,ICC和Bland-Altman分析评估测量一致性;用于区分组的ROC曲线.
主要成果:
- 高分段精度 (眼的Dice:0.949,角膜的0.944) 和测量的一致性 (ICC:0.898-0.983).
- 眼裂宽度和高度在眼和正常眼睛之间有显著差异 (P<0.01).
- 深度学习模型实现了高准确度 (AUC:0.971) 在优化切断值区分以斯托普里亚和史诗.
结论:
- 一个深度学习系统准确地描述了长和深的周期性形态.
- 这种客观方法为临床诊断和评估提供了可靠的工具.
- 该系统对其他周期性评估的概括性提高了其临床实用性.


