来自OCT的视网膜下液的自动细分:一种视觉转换器方法与交叉验证

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:

• 脊髓性视网膜脱落 (RRD) 是一种需要精确监测子视网膜液 (SRF) 的情况.
• 精确的SRF细分对于评估疾病进展和治疗疗效至关重要.

研究的目的:

• 开发和验证一个强大的算法,用于对RRD患者的单个B扫描切片上细分下液 (SRF).
• 通过对独立数据集进行严格的交叉验证和测试,确保算法的可靠性.

主要方法:

• 一个SegFormer模型被训练在一个大数据集的视网膜OCT扫描,包括SRF.
• 转移学习被应用于内部数据集,用于像素智能的SRF细分.
• 使用五倍交叉验证和保留测试组来评估性能.

主要成果:

• 该算法实现了高性能,平均总子系数为0.92 (验证) 和0.94 (测试集).
• 验证和测试组的平均平均子系数为0.82.
• 该模型表现出强烈的折叠间一致性,在持久设置上标准偏差为0.03.

结论:

• 基于SegFormer的算法证明了在RRD患者中精确的SRF细分的强大能力.
• 模型的稳定性通过交叉验证和持久测试得到证实.
• 开发的算法可以作为一个开源工具用于研究和临床应用.