相关实验视频
Updated: May 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
深度学习模型用于在糖尿病视网膜病变中自动检测不同类型的微动脉瘤
Giovanni Neri1,2, Sohum Sharma3,4, Beatrice Ghezzo1,2
1Department of Surgical Sciences, University of Turin, Turin, Italy.
Eye (London, England)
|January 9, 2025
概括
DETR深度学习模型使用OCT扫描准确地检测和分类非增殖性糖尿病视网膜病变患者的微动脉瘤. 这种自动化方法有助于早期发现和监测糖尿病视网膜病变.
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:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因.
- 早期检测微动脉瘤 (MAs) 对于管理DR至关重要.
- 结构光学连贯性断层扫描 (OCT) 是一种用于DR评估的成像模式.
研究的目的:
- 开发和评估深度学习模型,用于检测和分类OCT图像上的高反射和高反射MAs.
- 为了比较YOLO和DETR模型在非增殖性糖尿病视网膜病变 (NPDR) 的MA检测中的性能.
主要方法:
- 对来自249名NPDR患者的498只眼睛进行了回顾性分析.
- 在海德堡斯佩克特拉利斯OCT扫描仪上使用蒙面阅读器进行手动MA细分.
- 使用ROC曲线的YOLO和DETR深度学习模型的培训和评估.
主要成果:
- 对于整体MA检测,DETR模型实现了0.86的AUC,超过了YOLO (AUC0.35).
- 对于超反射性 (AUC 0.71) 和低反射性MAs (AUC 0.84),DETR表现强.
- 发现了差异,通常是由于自动化模型的正常船只检测.
结论:
- 模型选择对于准确的MA检测和OCT图像中的分类至关重要.
- 自动化MA检测对糖尿病视网膜病变的早期诊断和监测有希望.
- 改进的自动化工具可以提高DR的临床管理和患者的治疗结果.
