广场角膜内皮成像的深度学习分析在Fuchs发育不良症中的角膜内皮成像

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:

• 福克斯内皮角膜缩症 (FECD) 影响角膜内皮.
• 准确分析广场光谱显微镜 (WFSM) 图像对于FECD评估至关重要.
• 手动分析WFSM图像可能耗时且主观.

研究的目的:

• 评估深度学习网络 (DLN) 的有效性,以分析眼睛中的WFSM图像与FECD.
• 为了将DLN性能与关键形态参数的手动分析进行比较.

主要方法:

• 一个基于U-Net的DLN在FECD和控制眼睛的WFSM图像数据集上被开发和训练.
• 在一个独立的数据集上测试了DLN,分析了中部,偏中部和外围角膜区域.
• 用Sørensen-Dice系数评估细分的准确性,并将形态测量结果 (ECD,CV,HEX) 与手动分析进行比较.

主要成果:

• DLN与手动分析有很强的一致性,达到了0.86.8的Dice系数.
• 由DLN衍生的内皮细胞密度 (ECD) 比手动测量 (2633 vs 1729 细胞/mm2) 显著高.
• 在眼睛的角膜区域之间观察到ECD的显著差异,有和没有亚临床.

结论:

• 深度学习为在FECD中分析WFSM图像提供了一种新且高效的方法.
• 该DLN工具提高了可解释性,并简化了大型数据集的工作流程.
• 这个AI应用程序解决了手动解释的局限性,提高了诊断效率.