使用基于深度学习的对眼超声波图像的细分来自动检测视网膜脱落
Onur Caki1,2, Umit Yasar Guleser3, Dilek Ozkan2,4
1Department of Computer Engineering, Koç University, Istanbul, Turkey.
Translational vision science & technology
|February 27, 2025
概括
这项研究引入了一种自动化的深度学习管道,用于检测眼睛超声波图像中的视网膜脱落. 这种新方法显著提高了诊断准确度,在资源有限的环境中提供了潜在的临床益处.
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:
- 视网膜脱落 (RD) 诊断依赖于眼睛超声波 (USG) 的熟练解释.
- 自动检测方法可以提高诊断准确性和可访问性.
- 深度学习为医疗保健中的图像分析提供了强大的工具.
研究的目的:
- 开发一种自动化管道,用于检测视网膜脱落 (RD),使用基于深度学习的对B扫描眼睛超声波 (USG) 图像的细分.
- 创建一个集成细分和分类的计算管道,以改善 RD 检测.
- 用现有的深度学习模型来评估管道的性能.
主要方法:
- 使用编码器-解码器细分网络和机器学习分类器开发了一个计算管道.
- 该管道在204名患者的279张B扫描眼部USG图像上进行了训练和验证.
- 计算了性能指标,包括精度,回忆和F分数,用于细分和RD检测.
主要成果:
- 自动化管道在RD检测方面获得了96.3%的F-score,超过了端到端模型 (ResNet-50,MobileNetV3).
- 在独立测试组的验证显示,与分类模型 (62.1%,84.9%) 相比,管道的性能优越 (96.5% F-score).
- 细分模型显示了各种眼部结构的高F分数 (视网膜/胆膜:84.7%,膜:78.3%,视神经外:88.2%).
结论:
- 拟议的自动细分和分类方法增强了眼睛USG图像中的RD检测.
- 这种方法提供了潜在的临床益处,特别是在资源有限的环境中.
- 新的深度/机器学习管道显示出改善眼科USG诊断准确性和可访问性的承诺.
