基于深度学习的OCT图像的细分,用于胸腔厚度

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:

• 精确测量胸膜厚度对于诊断和监测各种眼睛疾病至关重要.
• 光学相干断层扫描 (OCT) 的手动细分是耗时且主观的.

研究的目的:

• 开发和验证一个定制的基于深度学习的自动化细分工具,用于OCT扫描中的胸腔厚度.
• 将内部自动化方法的性能与手动细分和开源算法的性能进行比较.

主要方法:

• 一个Deeplabv3+网络 (ResNet50) 在10798个手动细分的OCT扫描中接受了培训.
• 验证涉及比较手动和内部自动细分在130个独特的扫描使用布兰德-阿尔特曼分析,ICC和德明回归.
• 内部方法也与开源算法进行了基准测试.

主要成果:

• 内部自动化方法在不同区域的手动细分 (P > 0.05) 与手动细分相比,在平均胸膜厚度上没有显著差异.
• 在手动和内部自动化方法之间观察到很好的一致性 (ICC: 0.96-0.98,P < 0.001).
• 一个开源算法总是比手动和内部自动化方法产生更薄的胸膜厚度测量.

结论:

• 定制深度学习自动化胆管细分表现出与手动细分的良好一致.
• 自动化方法提供了客观和有效的胆道厚度估计.
• 这项技术有可能改善眼科医学的临床工作流程和诊断准确性.