通过UBM图像自动测量和评估前段解剖结构,使用基于深度学习的方法
Sijing Chen1, Xiaoran Chu1, Emmanuel Eric Pazo1
1Tianjin Key Laboratory of Retinal Functions and Diseases, Tianjin Branch of National Clinical Research Center for Ocular Disease, Eye Institute and School of Optometry, Tianjin Medical University Eye Hospital, Tianjin, China.
概括
一个新的深度学习模型准确地测量了可植入结膜透镜手术候选人的超声波生物显微镜图像的前段参数. 这种工具有助于精确的ICL大小和预测术后的.
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:
- 植入式眼镜 (ICL) 手术需要精确的手术前测量前段 (AS) 参数.
- 准确评估AS参数对于优化手术结果和患者安全至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于从手术前超声波生物显微镜 (UBM) 图像中定量测量基本的AS参数.
- 评估模型的准确性与已建立的测量标准相比,以及其在预测术后预测中的实用性.
主要方法:
- 一个数据集的1,480个UBM图像被用来训练YOLOv8-pose算法来识别关键的解剖点和计算AS参数.
- 模型的性能使用课内相关系数 (ICC) 和平均欧几里德距离进行评估,以手动和OCT测量为参考.
- 多重线性回归分析了模型衍生的手术前参数和术后心脏之间的相关性.
主要成果:
- 该模型表现出高精度,ICC>0.978对于整体关键点定位和>0.980对于前腔深度,瞳孔直径和至距离.
- 关键AS参数的平均相对误差低于1.7%.
- 模型测量的手术前参数,包括晶状透镜升高,虹膜腔和ACD,与手术后的密室有显著的相关性 (P < 0.001).
结论:
- 一个深度学习模型可以准确地从UBM图像中量化AS参数,实现与经验丰富的眼科医生可比的性能.
- 这种人工智能驱动的方法为提高ICL大小精度和预测手术结果提供了有价值的工具.
- 该模型能够将术前测量与术后测量相关联,为手术规划提供了关键指导.
