相关实验视频
Updated: Sep 14, 2025
07:29
Deep Vascular Imaging in the Eye with Flow-Enhanced Ultrasound
Published on: October 4, 2021
2.5K
VascX模型:深度组合用于从彩色底部图像的视网膜血管分析
Jose Vargas Quiros1,2, Bart Liefers1,2, Karin A van Garderen1,2
1Department of Ophthalmology, Erasmus University Medical Center, Rotterdam, the Netherlands.
Translational vision science & technology
|July 23, 2025
概括
VascX深度学习模型在彩色底部图像中改善了视网膜血管的细分,增强了诊断特征. 公共可用的代码和权重有助于对视网膜血管生物标志物进行疾病检测的研究.
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:
- 对视网膜血管结构的准确细分对于诊断眼科和全身疾病至关重要.
- 目前用于视网膜图像分析的深度学习模型在性能和一致性方面存在局限性.
研究的目的:
- 介绍和验证VascX,一个深度学习模型组合,用于细分血管,动脉静脉,光盘,并在彩色基底图像 (CFI) 中定位膜.
- 将VascX预处理代码和模型重量公开提供,以推进视网膜血管系统的研究.
主要方法:
- 训练有素的UNet模型组合使用多样化的数据集,结合了来自荷兰研究的15多个注释数据集和CFI.
- 采用了强大的预处理算法和强大的数据增强用于模型训练.
- 与AutoMorph和LittleWNet模型对比VascX细分性能 (子分数) 和特征提取协议 (MAE,皮尔森相关性).
主要成果:
- 在大多数数据集中,VascX表现出卓越的性能,特别是在动脉静脉和光盘细分方面.
- 即使在图像质量下降和盘/腹中心图像中,VascX也表现出一致的性能.
- VascX显著提高了血管特征的质量,与现有模型相比,与基本真相特征的相关性更高.
结论:
- 由于不同的训练数据,VascX模型在各种条件下性能强.
- VascX提供了更好的细分质量,从而为视网膜血管分析提供了更可靠的血管特征.
- 公开提供VascX的目的是加速研究将视网膜血管生物标志物与健康状况联系起来.
