相关实验视频
Updated: Jun 26, 2026

05:40
Using an Automated Hirschberg Test App to Evaluate Ocular Alignment
Published on: March 24, 2020
15.7K
StrabNet-CQ:一个集成的深度学习框架,用于使用眼界地标检测进行自动化斜视的分类和量化
Shubh Garg1, Ashish Sunkarapalli2, Debabrata Ghosh1
1Department of Electronics and Communication Engineering, Thapar Institute of Engineering and Technology, Patiala, Punjab, India.
BMC ophthalmology
|October 23, 2025
概括
深度学习框架StrabNet-CQ使用眼睛图像准确地检测和分类. 这种自动化系统提供了客观的量化,改进了传统方法.
科学领域:
- 眼科和计算机视觉眼科和计算机视觉
- 医疗保健中的人工智能
背景情况:
- 视,眼睛 misalignment,影响双眼视力,传统上使用手动镜二光透镜 (PD) 读数进行诊断.
- 目前的诊断方法是主观的,容易发生临床间的变化,并提供粗略的偏差测量.
研究的目的:
- 开发和评估StrabNet-CQ,这是一个深度学习框架,用于自动化斜视的分类和量化.
- 提供一个客观和精确的替代传统的诊断技术.
主要方法:
- 使用深度学习框架 (StrabNet-CQ) 分析了600张眼睛图像.
- 使用YOLOv8进行初始分类 (正常/异常,特定类型) 和ResNet101对细分眼部区域进行精细分类.
- 使用ResNet18用于眼睛地标检测,以计算偏差指数和角度偏差.
主要成果:
- 在视检测方面达到94%的准确性,在分类方面达到90%.
- 对于正常,异位和低位的高灵敏度被证明.
- 衍生参数与手动的PD值相关性很好 (r=0.733),使量化成为可能.
结论:
- 斯特拉布网-CQ提供客观的斜视诊断和量化.
- 该框架显示了临床部署的潜力,提高了对的检测和测量.

