视网膜断裂的像素级细分在超宽场底部图像中,使用基于Pranet的机器学习模型
Takuya Takayama1, Tsubasa Uto2, Taiki Tsuge2
1Department of Ophthalmology, Jichi Medical University, Shimotsuke, Tochigi 329-0498, Japan.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一个深度学习模型,用于在超广场 fundus 图像中精确检测视网膜断裂. 基于Pranet的模型显示出高精度,有助于早期诊断视网膜脱落.
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:
- 视网膜断裂是关键病变,如果不及时治疗,可能导致视力丧失.
- 在超广场 fundus (UWF) 图像中精确检测视网膜断裂是早期干预的挑战.
研究的目的:
- 开发和验证深度学习细分模型,用于在UWF图像中定位视网膜断裂.
- 评估基于PraNet的模型对视网膜断裂的像素级细分的性能.
主要方法:
- 开发了一个使用PraNet架构的深度学习细分模型.
- 该模型在一个大型数据集上进行了训练和评估,其中包括来自8083个病例的34,867张UWF图像.
- 性能指标包括准确性,精度,回忆力,IOU,子得分和中枢距离得分.
主要成果:
- 该模型实现了高精度 (0.996) 和强大的细分性能.
- 关键指标:精度0.635,回忆0.756,IOU0.539,子得分0.652,心点距离得分0.081.
- 这代表了使用深度学习在UWF图像中的视网膜断裂的第一个像素级细分.
结论:
- 开发的基于Pranet的深度学习模型显示了在检测视网膜断裂方面临床应用的巨大潜力.
- 准确和自动划分视网膜断裂可以改善视网膜脱落的早期诊断和治疗.
- 该模型的强大性能突显了眼科图像分析人工智能的进步.
