脂质层厚度的智能干扰度分析用于临床评估干眼疾病

科学领域:

• 眼科和生物医学工程眼科和生物医学工程
• 医疗成像中的人工智能

背景情况:

• 精确的催膜脂质层厚度 (LLT) 测量对于诊断干眼疾病 (DED) 和梅腺功能障碍 (MGD) 至关重要.
• 当前的干扰测量方法往往缺乏定量精度,依赖于主观评估,限制了临床效用.

研究的目的:

• 开发和验证用于定量LLT分析的完全自动化的深度学习框架.
• 为了从白光干扰图像中实现客观和可重现的LLT测量.

主要方法:

• 在临床前和临床数据集上对八种深度学习细分模型 (例如,Unet++,U-Net,DeepLabV3+) 的比较.
• 实施基于物理的光学映射方法,从细分图像中量化LLT.
• 对模型性能和LLT精度与手册注释的验证.

主要成果:

• Unet++ 显示出优异的分段性能 (Dice 分数为 0.98-0.99).
• 定量LLT测量显示与基本真相有很高的相关性 (动物R2=0.972,人类R2=0.994).
• 该系统在各种条件下可靠地区分正常和病态的撕膜.

结论:

• 开发了一种新的自动化框架,将深度学习和基于物理的建模集成为LLT量化.
• 该系统提供了一个强大的,可扩展的,临床上适用的工具,用于客观的撕膜评估.
• 该框架支持常规诊断和对DED和MGD的纵向监测.