通过使用深 convolutional 网络在 OCT 图像中用于糖尿病视网膜病变的超反射焦点的自动细分

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:

• 糖尿病视网膜病变 (DR) 诊断在很大程度上依赖于光学连贯性断层扫描 (OCT) 成像.
• 在OCT扫描中的超反射焦点 (HRF) 是DR诊断,进展和预后的关键生物标志物.
• 使用人工智能 (AI) 的HRF自动细分对于高效的临床应用至关重要.

研究的目的:

• 开发一个深度学习算法,用于在OCT图像中自动细分HRF.
• 增强糖尿病视网膜病变 (DR) 患者的早期诊断和预后评估.
• 调查用于OCT扫描中精确HRF细分的新型算法.

主要方法:

• 基于改进的注意力U-Net架构提出了一个HRF细分算法.
• 融合多尺度特征以指导注意力地图生成.
• 在解码器中集成了一个混合注意模块 (空间和通道),以专注于相关的特征地图相关性.

主要成果:

• 拟议的注意力U-Net模型证明了对来自50名DR患者的172张OCT图像的HRF细分的有效性.
• 在五倍交叉验证中,获得了63.79±0.94的子相似系数 (DSC), 66.66±2.54的灵敏度 (SE) 和67.10±1.96的精度 (P).
• 该模型的性能优于其他四个网络,显示出更高的准确性和HRF细分的轻松性.

结论:

• 开发的改进的注意力U-Net有效地细分HRF,平衡高灵敏度和精度.
• 这种AI模型在HRF细分精度方面超过了现有的算法.
• 该算法具有早期DR检测,治疗评估和预后评估的巨大潜力.