基于深度学习的角膜神经和树突细胞的细分和密度估计来自In Vivo共聚焦显微镜图像
Meichen Ji1, Yan Song1, Jenny Roth2
1Department of Computer Science and Media Technology, Faculty of Technology, Linnaeus University, Växjö, Sweden.
Scientific reports
|January 13, 2026
概括
一种自动化的深度学习方法,用于在体内共聚焦显微镜 (IVCM) 图像中分析角膜神经纤维长度 (CNFL) 和树突细胞 (DC) 密度. 这种自动化方法为角膜成像分析提供了可靠和可扩展的解决方案.
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:
- 在COVID-19后持续的眼部症状可能会影响角膜神经纤维长度 (CNFL) 和树突细胞 (DC) 密度.
- 使用体内共聚焦显微镜 (IVCM) 手动评估这些参数是耗时和主观的.
- 深度学习为眼科中自动化图像分析提供了潜力.
研究的目的:
- 在IVCM图像中比较手动和自动 (基于深度学习) 的CNFL和DC密度评估.
- 评估用于分析角膜微结构的自动化方法的可靠性和可扩展性.
主要方法:
- 从100名患有COVID-19后眼部症状的参与者和30名对照者获得角膜IVCM图像.
- 用FIJI.手动对CNFL和DC密度 (有或没有树突) 的图像进行了注释.
- 开发了一种自动化的深度学习细分方法,用于基于规则的密度估计.
主要成果:
- 手动和自动化方法都检测到群体之间的CNFL和DC密度有显著差异.
- 自动化方法表明,对于CNFL和DC密度的手动评估,性能与手动评估相当.
- 手动和自动化方法之间的平均差异在参数和组之间都处于可接受范围之内.
结论:
- 自动化深度学习方法是一种可靠和可扩展的替代方案,可以手动评估IVCM图像中的CNFL和DC密度.
- 这种自动化方法可以促进对患有眼部症状的患者角膜变化的有效分析.
- 需要在不同的临床环境中进一步验证自动化方法.
