通过集成杯与盘的比率和神经视网膜边缘特征,通过先进的细分来加强青光眼的分类
Rabia Pannu1, Muhammad Zubair2, Muhammad Owais3
1Faculty of Information Technology & Computer Science, University of Central Punjab, Lahore, Pakistan.
概括
这项研究引入了一种使用神经视网膜边缘比率 (NRR) 以及杯与盘比率 (CDR) 的新型玻璃眼瘤诊断方法. 这种方法通过检测视神经头部的变化来提高准确性,有助于早期检测这种无声视觉盗.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 玻璃眼瘤是不可逆转的失明的主要原因,其特点是视神经受损,通常与眼内压力升高有关.
- 目前的计算机辅助诊断 (CAD) 系统主要使用杯与盘的比率 (CDR),可能缺少微妙的视神经头部变化.
- 全球眼病患病率不断上升,特别是在老年人群中,需要改进诊断工具.
研究的目的:
- 开发和验证一种新的玻璃眼瘤检测方法,将神经视网膜边缘比率 (NRR) 与杯对盘比率 (CDR) 整合起来.
- 通过捕获额外的视神经头部结构信息来提高青光瘤诊断的准确性.
- 评估修改后的ResUNet架构用于光盘和光杯细分的性能.
主要方法:
- 修改后的ResUNet模型被用于光盘 (OD) 和光杯 (OC) 的语义细分.
- 神经视网膜边缘比率 (NRR) 通过量化边缘厚度来计算,以补充传统的杯对盘比率 (CDR).
- 具有辐射基础功能的支持矢量机 (SVM) 使用CDR和NRR进行了训练,用于对玻璃眼的二进制分类.
主要成果:
- 在DRISHTI-GS数据集上,ResUNet模型实现了高细分精度,OD的交叉点在欧盟 (IoU) 上得分高达0.945分,OC的0.891分.
- 在ORIGA和REFUGE数据集上的外部验证证明了该模型的稳定性和通用性.
- 综合CDR和NRR方法实现了0.969的DRISHTI-GS和0.977的RIM-ONE的高分类准确度.
结论:
- 与CDR相结合的NRR显著提高了与单独CDR相比,对青光瘤检测的诊断准确性.
- 开发的深度学习模型提供了一种强大而准确的方法,用于对视神经头部结构进行细分,这对于青光眼的诊断至关重要.
- 这种新的方法有望更早,更可靠地识别青光眼,减轻视力丧失.
