眼科应用的开源外周细分数据集
George R Nahass1,2, Emma Koehler1, Nicholas Tomaras1
1Department of Ophthalmology, University of Illinois Chicago College of Medicine, Chicago, Illinois.
Ophthalmology science
|September 11, 2025
概括
已经创建了一个新的数据集用于 oculoplastic 分段和周围轨道距离预测. 这一数据集显示了高度的注释可靠性,并使得用于面应用的高级深度学习模型的开发成为可能.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 准确的围绕轨道结构细分对于眼膜和面外科手术至关重要.
- 现有的数据集缺乏针对眼塑性细分任务的特异性.
- 开发强大的深度学习模型需要高质量,专门的数据集.
研究的目的:
- 创建和验证一个新的数据集,用于眼膜细分.
- 通过使用深度学习模型来实现围绕轨道距离预测.
- 促进面和眼形外科手术规划方面的进步.
主要方法:
- 利用来自两个开源数据集的图像,切割以专注于眼睛区域.
- 由五名训练有素的注释者参与了关键的周围轨道结构 (虹膜,膜,盖子,头,眉毛) 的细分.
- 通过使用Dice分数进行了严格的inter-和intragrader可靠性分析.
- 训练了三个DeepLabV3细分模型来证明数据集的实用性.
主要成果:
- 总共注释了2842张具有高inter-和intragrader可靠性的图像 (平均Dice分数分别为0.82和0.81).
- 在细分模型中取得了强的表现,在组合数据集上训练的模型中,Dice得分高达0.90.
- 证明了数据集在训练细分任务的深度学习模型中的有效性.
结论:
- 开发了一个独特的,公开可用的数据集,用于眼膜和面细分.
- 该数据集支持临床相关细分网络的快速发展,用于围绕轨道距离的预测.
- 提供开源工具包和模型权重,以促进社区驱动的领域创新.
