基于深度学习的模型的可行性研究,用于使用光学连贯性断层扫描B扫描的自动化黄斑孔细分
Applied optics
|August 12, 2025
概括
深度学习模型显示,光学连贯性断层扫描中的自动化黄斑孔细分具有很高的可行性. 模型4实现了最佳性能,证明了临床应用的巨大潜力.
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:
- 黄斑孔 (MH) 是显著的视网膜疾病,需要准确的细分来诊断和治疗.
- 使用光学相干断层扫描 (OCT) B扫描的MH自动细分可以提高临床实践中的效率和一致性.
研究的目的:
- 评估深度学习 (DL) 模型的可行性,用于自动化斑点孔 (MH) 分段.
- 为了比较四个不同的DL架构在OCTB扫描上对MH细分的性能.
主要方法:
- 使用ResNet-50或EfficientNet骨干和FPN或BiFPN子开发了四种DL模型.
- 在3295个配对的OCTB扫描和对MH和非MH病例的标签上实施和评估了模型.
- 使用平均交叉与工会 (IOU) 值来评估性能.
主要成果:
- 这四种DL型号都在自动化MH细分方面表现出高性能.
- 模型4 (EfficientNet,BiFPN,FPN) 实现了最高的平均负债表值为0.977.
- 高IOU值 (0.8-1) 在MH,胆管,视网膜和视网膜内囊 (IRC) 中实现,模型3和4在某些结构中达到100%.
结论:
- 深度学习模型是可行的自动化MH细分从OCTB扫描.
- 开发的模型,特别是模型4,显示出在MH诊断和管理中临床应用的巨大潜力.
- 在更大的数据集上进行进一步验证是有必要的,以确认临床效用.
