基于分段的轨道结构测量:眼球体积估计方面的成就和视神经分析中的障碍

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 眼科医生 眼科 眼科

背景情况:

• 精确测量眼球体积和视神经外直径 (ONSD) 等轨道结构对于诊断和管理轨道疾病至关重要.
• 当前的测量方法可能是耗时和主观的,需要自动化解决方案.

研究的目的:

• 开发和验证基于深度学习的自动化系统,用于从轨道CT扫描测量眼球体积,ONSD和顶点到眼球距离 (AED).
• 评估自动测量的准确性和临床适用性.

主要方法:

• 利用2D注意力U-Net架构与切片级信息嵌入用于CT扫描中的轨道结构细分.
• 在轨道CT数据集上训练模型,用于眼球和视神经的注释面具.
• 从细分结构计算眼球体积,ONSD和AED,并使用RMSE和MAPE等指标评估它们的准确性.

主要成果:

• 深度学习模型获得了0.8466的眼球细分和0.6387的视神经细分.
• 自动化的眼球体积测量显示出高精度 (RMSE: 1.28-1.90厘米3,MAPE: 12-21%).
• 由于视神经细分精度较低,ONSD和AED的测量不太可靠.

结论:

• 深度学习细分显示了自动化眼球结构评估的巨大潜力,特别是在眼球体积测量方面.
• 需要进一步进步,以提高视神经细分的准确性,以获得可靠的ONSD和AED测量.
• 该研究提供了关于人工智能在轨道成像分析中的能力和局限性的宝贵见解.