相关实验视频
Updated: May 10, 2025
07:20
Inducement and Evaluation of a Murine Model of Experimental Myopia
Published on: January 22, 2019
9.7K
一种深度学习辅助的眼睛表面图像上的撕裂半径高度的自动测量及其在近视控制中的应用
Weixiao Zhang1, Hua Rong1, Kaiwen Hei1
1Tianjin Key Laboratory of Retinal Functions and Diseases, Tianjin Branch of National Clinical Research Center for Ocular Disease, Eye Institute and School of Optometry, Tianjin Medical University Eye Hospital, Tianjin, China.
Frontiers in bioengineering and biotechnology
|April 28, 2025
概括
一个新的深度学习模型从眼睛图像中准确地测量了撕裂阴茎高度 (TMH),有助于对近视控制患者进行干眼查. 这项技术提高了orthokeratology,红光疗法和atropine治疗的效率和准确性.
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:
- 控制近视的方法,如orthokeratology,重复的低强度红光 (RLRL) 治疗,以及低度氨酸越来越受欢迎.
- 这些近视控制方法对眼表面健康,特别是干眼的影响需要进一步研究.
- 手动测量撕裂阴茎高度 (TMH) 是主观的,并且在评估眼睛表面健康方面效率低下.
研究的目的:
- 开发和验证用于自动化TMH测量的深度学习模型.
- 为了提高在接受近视控制治疗的患者中干眼查的效率和准确性.
- 评估与流行的近视控制方式相关的眼睛表面健康变化.
主要方法:
- 来自OCULUS Keratograph 5M的1200张眼睛表面图像的数据集被用于模型开发.
- 通过使用分割数据集 (70%的培训,20%的验证,10%的测试) 训练和验证了一个深度学习模型.
- 该模型被应用到临床试验的图像中,涉及甲状腺学,RLRL和0.01%的类胺,以测量TMH.
主要成果:
- 深度学习模型实现了高性能,验证IOU为0.913和测试IOU为0.928.
- 该模型表现出强大的准确性,AUC为0.935和R2为0.92.
- 在使用脊髓瘤学,RLRL或0.01%的阿特罗宾的患者的随访期间,没有观察到TMH的显著变化.
结论:
- 从眼睛表面图像中成功建立了一个用于自动测量TMH的深度学习模型.
- 该模型具有很高的准确性和一致性,适用于近视控制研究的临床应用.
- 这种自动化方法有助于在接受近视控制治疗的患者中有效地进行干眼初始查.
