开发和验证一个深度学习图像质量反系统,用于婴儿底部摄影
Helei Wang1,2,3,4,5, Longhui Li6, Wenjuan Wang2
1School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing, 100191, China.
Scientific reports
|July 23, 2025
概括
一个新的AI系统,深度学习婴儿基质量反系统 (DLIF-QFS),评估婴儿视网膜图像质量,以查早产视网膜病变 (ROP). 这种工具有助于早期检测和诊断,解决眼科医生短缺问题.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 早产视网膜病变 (ROP) 是儿童失明的主要原因.
- 训练有素的眼科医生短缺,阻碍了有效的ROP查.
- 婴儿视网膜图像的自动质量评估是必要的,以支持诊断.
研究的目的:
- 开发和验证一个人工智能系统,深度学习婴儿基金质量反系统 (DLIF-QFS),用于评估婴儿视网膜照片质量.
- 为了检测用于ROP选的图像中的操作错误.
- 支持和提高ROP查和诊断的效率.
主要方法:
- 使用13,372张婴儿视网膜图像的数据集,开发了DLIF-QFS.
- 严格验证系统在分类图像质量 (差,充足,优秀) 的性能.
- 评估系统识别图像质量问题的能力,并协助专家诊断任务.
主要成果:
- 在整体质量分类中,DLIF-QFS实现了高性能,在外部验证数据集上,AUC值为0.802 (差),0.691 (充足) 和0.926 (优秀).
- 在大多数任务中,AUC值超过0.8,用于识别充足和质量差图像中的问题.
- 该系统在专家诊断测试中显示出更高的准确性和一致性.
结论:
- DLIF-QFS是评估婴儿视网膜图像质量和识别ROP查中的操作错误的宝贵工具.
- 该系统通过识别图像质量差的原因并建议改进来提高诊断效率.
- DLIF-QFS有可能显著推进ROP诊断和管理,特别是在资源有限的环境中.
