在面部扫描源光学连贯性断层扫描图像中,基于深度学习的冠状层的自动分类
Je Moon Yoon1, Ji Young Lim2, Hoon Noh3
1Department of Ophthalmology, Samsung Medical Center, Sungkyunkwan University School of Medicine, 81 Irwon-ro, Gangnam-gu, Seoul, 06351, Korea.
BMC ophthalmology
|July 2, 2025
概括
一个新的深度学习算法在面对扫描源光学连贯性断层扫描 (SS-OCT) 图像中自动化胆道层分类. 这种人工智能工具准确地分层眼睛组织,帮助眼科诊断.
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:
- 准确地分类胆道层对于诊断各种眼睛疾病至关重要.
- 目前用于分层胆道层的手工方法耗时且主观.
- 面部扫描源光学连贯性断层扫描 (SS-OCT) 提供了胸膜的详细横截面图.
研究的目的:
- 开发和验证一个深度学习算法,用于自动化胆道层细分.
- 为了提高SS-OCT成像中的冠状层分类的效率和准确性.
- 为眼科研究和临床实践建立可靠的基于人工智能的工具.
主要方法:
- 一组117名健康受试者接受了SS-OCT体积扫描.
- 面对面的SS-OCT图像以2.6微米的间隔获得.
- 基于ResNet架构的深度学习模型在16025个图像上被开发和训练.
主要成果:
- 该算法在胆道层分类方面实现了84.30%的平衡精度.
- 分类准确度仍然很高,误差范围为5.2μm (92.61%).
- 该模型结合了边界增强的低样本和子类组合技术,以提高性能.
结论:
- 深度学习可以从面对面的SS-OCT图像中准确地自动分层状层.
- 开发的算法为客观和高效的眼组织分析提供了一个有前途的工具.
- 这种人工智能驱动的方法有可能推进眼科诊断和研究.


