对U-Net和U-Net3+用于视网膜外液细分的比较分析:跨区域性能评估

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:

• 糖尿病视网膜病变是一种主要的糖尿病并发症,患病率正在上升.
• 排泄物是糖尿病视网膜病变严重程度和进展的关键指标.
• 对排泄物的区域分析对于准确的评估至关重要.

研究的目的:

• 评估深度学习模型,以检测糖尿病视网膜病变中的液. fundus图像.
• 为了比较不同视网膜区域 (周血管/外血管,周周/外周,象限) 的模型性能.
• 确定区域排泄物检测的最佳深度学习模型.

主要方法:

• 使用U-net和U-net3+深度学习模型进行排泄物检测.
• 使用准确度,灵敏度,特异性和 Dice 评分来评估模型性能.
• 在定义的视网膜区域和象限中分析了检测性能.

主要成果:

• 与U-net模型相比,U-net3+模型表现出优越的性能.
• 在外血管 (87.96%) 和外周 (88.03%) 区域观察到U-net3+的最高子得分.
• 在左上方和右上方的象限中,提高了敏感性和子得分.

结论:

• 深度学习,特别是U-net3+模型,显示了在糖尿病视网膜病变中自动排泄物检测的重大前景.
• 区域性性能差异凸显了详细分析的重要性,以提高诊断准确度.
• 这项技术可以提高糖尿病视网膜病变的早期检测,治疗和患者预后.