相关实验视频
Updated: Jul 24, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
10.6K
深度学习方法用于半自动细分光神经头部组织在光学连贯性断层扫描图像中的光学连贯性断层图像
Kelly A Clingo1, Cameron A Czerpak1, Harry A Quigley2
1Department of Mechanical Engineering, Johns Hopkins University, Baltimore, MD, 21218, USA.
Experimental eye research
|October 2, 2025
概括
一种新的深度学习方法使用光学连贯断层扫描 (OCT) 图像半自动分割视觉神经头部 (ONH) 组织. 这种人工智能方法通过允许用户更正来提高ONH结构的细分精度来加快分析速度.
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:
- 光学连贯断层扫描 (OCT) 在体内提供视神经头部 (ONH) 的结构和生物力学数据.
- 准确的ONH组织细分对于获得组织特定信息至关重要.
- 手动细分OCT图像是一个耗时的过程.
研究的目的:
- 开发一种基于深度学习的方法,用于半自动对关键的ONH组织边界进行细分.
- 在OCT图像中对前层板状晶状体表面 (ALCS),布鲁赫膜 (BM) 和胆膜-膜接口 (CS) 进行细分.
- 为了提高ONH组织细分的效率和准确性.
主要方法:
- 通过使用46个预处理的ONH OCT图像卷来训练一个卷积神经网络 (CNN).
- 该模型执行半自动细分,允许用户交互纠正预测.
- 用户纠正用于反复更新模型以提高性能.
主要成果:
- 开发的模型实现了根平均平方误差 (RMSE) 的8.98±14.74μm的BM,24.26±17.96μm的CS,和49.69±32.08μm的ALCS.
- 代模型更新在测试集上改善了BM和CS的细分预测.
- 半自动方法大大减少了手动细分所需的时间.
结论:
- 深度学习为OCT图像中ONH组织的半自动细分提供了一个有希望的解决方案.
- 用户互动模型的改进提高了细分的准确性和效率.
- 建议使用更大的数据集进行进一步验证,以充分评估模型的潜力.
