评估深度学习模型的前段OCT图像分段在镜镜头磨损期间的评估
Yoel Garcia Marin1, David Alonso-Caneiro2, Michael J Collins1
1Contact Lens and Visual Optics Laboratory, Optometry and Vision Science, Centre for Vision and Eye Research, Queensland University of Technology, Brisbane, Queensland, Australia.
概括
通过U-Net++/VGG19深度学习模型,在镜镜头磨损期间实现了前段光学连贯断层扫描图像的优越细分,在角膜和镜头边界识别方面表现出高精度.
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:
- 在AS-OCT图像中,角膜和隐形眼镜边界的准确细分对于临床见解至关重要.
- 由于眼睛结构的潜在变化,状镜片的磨损对图像细分提出了独特的挑战.
研究的目的:
- 评估16个深度学习 (DL) 模型的性能,用于分割在膜透镜佩戴期间获得的AS-OCT图像.
- 为了确定最优的DL架构,精确细分眼睛结构在存在的状透镜.
主要方法:
- 从15名患有正常角膜的参与者中收集了AS-OCT图像,这些图像是在缩镜片佩戴480分钟前和之后收集的.
- 四个DL架构 (U-Net,U-Net++,FPN,MA-Net) 用五个编码器 (EfficientNet-B4,DenseNet201,VGG19,ResNet34,Xception) 进行了测试.
- 用子系数和平均绝对边界误差来评估细分性能,手动注释作为基本真相.
主要成果:
- 所有DL模型都表现出高性能,子系数通常超过99%,平均绝对误差低于1像素.
- 该U-Net++/VGG19模型表现出最好的整体性能,获得99.26%的子得分.
- 在一些模型中,在Bowman层和角膜层之间的接口上发现了微小的细分差异.
结论:
- 该U-Net++/VGG19 DL模型是高效的细分AS-OCT图像在镜镜头的磨损.
- 建议进行进一步的研究,以评估在角膜疾病和变异形态的眼睛中DL模型的性能.
