基于机器学习的虹膜光素血管学定量分析的自动化方法
Yixuan Zhu1, Shuo Sun2, Shaolei Han3
1School of Engineering, University of the West of England, Bristol, UK.
Quantitative imaging in medicine and surgery
|January 12, 2026
概括
一个新的深度学习模型准确地从虹膜光素血管学 (IFA) 图像中量化周围瞳孔泄漏,改善了糖尿病视网膜病患者虹膜新血管化的早期检测.
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:
- 糖尿病视网膜病变是视力丧失的主要原因,经常导致新血管绿内障.
- 早期发现虹膜新血管化 (NVI) 对于及时治疗至关重要.
- 传统的NVI检测方法在识别早期症状方面存在局限性.
研究的目的:
- 开发和评估基于深度学习的自动化系统,用于检测和量化虹膜光血管学 (IFA) 图像中的周围瞳孔泄漏.
- 通过临床专家的手册注释来评估系统的性能.
主要方法:
- 一个基于YOLOv8n的细分模型被训练在2,449个IFA图像上,用于学生定位.
- 开发了一种泄漏循环检测算法,以量化周周的光泄漏.
- 在使用MAE,MAPE和IoU等指标对131张IFA图像进行了性能评估,并与两名临床专家比较了结果.
主要成果:
- 与手动专家评估相比,自动化方法显示的平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 显著较低.
- 该算法实现了Union (IoU) 上的交叉率为39.3%,表明具有较小空间不对齐的高细分精度.
- 临床间一致 (54.8%的IoU) 强调了人类评估中固有的主观性.
结论:
- 深度学习方法在量化周围瞳孔泄漏时比手动方法提供了更高的一致性和准确性.
- 这种自动化系统可以减少NVI诊断中的可变性和主观性.
- 该技术具有早期NVI检测,增强临床工作流程和改善糖尿病视网膜病变管理的潜力.
