相关实验视频
Updated: May 5, 2026
10:46
Doppler Optical Coherence Tomography of Retinal Circulation
Published on: September 18, 2012
18.7K
在光学连贯断层扫描中的任何细分:SAM 2用于视网膜生物标记物的体积细分
Mikhail Kulyabin1, Aleksei Zhdanov2, Andrey Pershin3
1Pattern Recognition Lab, Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91058 Erlangen, Germany.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
新的人工智能模型SAM 2和MedSAM 2在光连贯断层扫描 (OCT) 中有效地细分生物标志物. 这有助于早期检测视网膜疾病,如黄斑孔和糖尿病黄斑.
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:
- 光学连贯断层扫描 (OCT) 对于非侵入性视网膜成像和疾病检测至关重要.
- 人工智能 (AI),特别是深度学习 (DL),越来越多地应用于医学成像.
- 在OCT扫描中精确细分生物标志物对于诊断视网膜疾病至关重要,如与年龄相关的黄斑变性 (AMD) 和糖尿病黄斑 (DME).
研究的目的:
- 评估新的AI模型SAM 2和MedSAM 2的性能,用于在3D OCT卷中对生物标志物进行细分.
- 将SAM 2和MedSAM 2的细分精度与传统的U-Net模型进行比较.
- 评估这些人工智能模型在提高视网膜疾病诊断质量的实用性.
主要方法:
- 利用SAM 2和MedSAM 2从两个开源数据集 (OIMHS和AROI) 进行了OCT卷的细分.
- 采用U-Net模型作为性能比较的基准.
- 使用特定生物标志物的Dice分数量化细分性能:黄斑孔 (MH),内囊 (IRC),内液 (IRF) 和色素上皮脱落 (PED).
主要成果:
- SAM 2和MedSAM 2获得了高的子分数,表明了出色的细分精度.
- 在OIMHS数据集上,MH获得0.913分,IRC获得0.902分.
- 在AROI数据集上获得的子得分为IRF的0.888和PED的0.909.
结论:
- 萨姆2和MedSAM2显示出优于U-Net的或与U-Net相匹配的OCT生物标记物细分的性能.
- 这些先进的AI模型为3D OCT扫描提供了更有效,更准确的替代手动细分.
- 这些发现表明,人工智能驱动的细分在改善视网膜疾病的早期检测和监测方面有很大的潜力.
