在OCT体积学中,人工智能辅助四种类型的Drusen的细分
Yukun Guo1,2, Tristan T Hormel1, An-Lun Wu1,3
1Casey Eye Institute, Oregon Health & Science University, Portland, OR 97239, USA.
Biomedical optics express
|November 26, 2025
概括
这项研究引入了一个深度学习框架,用于在光学连贯性断层扫描 (OCT) 图像中自动化Drusen细分和分类,改进与年龄相关的黄斑变性 (AMD) 评估.
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:
- 德鲁森是与年龄相关的黄斑变性 (AMD) 的关键生物标志物.
- 从光学连贯断层扫描 (OCT) 图像进行准确的德鲁森细分和分类对于监测AMD进展至关重要.
- 目前用于德鲁森分析的方法可能是主观的,耗时的.
研究的目的:
- 开发和评估一个深度学习框架,用于在OCT图像中自动化Drusen细分和分类.
- 为了提高AMD评估的定量德鲁森分析的准确性和客观性.
- 为了区分四种临床相关的Drusen类型.
主要方法:
- 开发了一个结合卷积神经网络 (CNN) 进行细分和分类模块的深度学习框架.
- 该框架的训练和评估是基于一个OCT图像的综合数据集.
- 使用诸如Dice分数用于细分和关键成功指数用于计数准确度等指标来评估性能.
主要成果:
- 自动化的德鲁森细分实现了0.74 ± 0.21的平均子得分.
- 德鲁森计数的准确性被测量为0.69 ± 0.24的临界成功指数.
- 该框架显示了定量德鲁森分析的实质性改进.
结论:
- 拟议的深度学习框架为增强AMD诊断提供了一个有前途的工具.
- 自动化德鲁森分析可以显著帮助追踪疾病进展.
- 这种方法为眼科评估提供了更客观,更有效的方法.
