在健康和病态眼睛中角质层细分:一个联合超分辨率生成对抗网络和自适应图形理论方法
Khin Yadanar Win1,2, Jipson Wong Hon Fai1, Wong Qiu Ying1
1Singapore Eye Research Institute, Singapore National Eye Centre, Singapore, Singapore.
Translational vision science & technology
|March 19, 2025
概括
这项研究引入了一种结合超分辨率生成对抗网络 (SRGAN) 和自适应图形理论的新方法,用于精确的角膜层细分和OCT图像中的厚度测量,以帮助诊断疾病.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 角膜层的精确细分和厚度测量对于诊断和监测各种眼睛疾病至关重要.
- 使用光学相干断层扫描 (OCT) 进行角膜层分析的现有方法可能缺乏精度,特别是在病理病例中.
研究的目的:
- 为了提高角膜层细分和厚度测量的精度,在超高分辨率的轴向OCT图像中.
- 开发一种结合超分辨率生成对抗网络 (SRGAN) 和自适应图理论的新方法,以改进角膜分析.
- 评估该方法在健康的眼睛和患有诸如Fuchs内皮角膜变 (FECD) 和Descemet膜内皮角膜成形术 (DMEK) 等疾病的眼睛中的性能.
主要方法:
- 用精细调节的SRGAN来改善OCT图像中角膜层接口的对比度和可见性.
- 适应式图形理论被用于层分段,搜索空间根据层对比度进行调整.
- 该方法应用于健康个体和患有特定角膜疾病的患者体积高分辨率角膜OCT图像.
主要成果:
- 结合SRGAN和自适应图形理论方法,在五个不同的角膜层中实现了更好的细分精度.
- 生成的厚度图显示了整个角膜和侧膜的高可重复性 (ICC=0.97),以及其他层的中等可重复性.
- 平均厚度误差在可以接受的范围内,角膜总误差为3.5微米.
结论:
- 与用于角膜层细分的传统图表搜索技术相比,拟议的方法显示出更高的性能.
- 这种先进的细分和测量能力在诊断和监测角膜疾病方面具有重大潜力.
- 该技术提供精确的厚度测量,可以帮助监测DMEK和诊断FECD.


