基于深度学习的分类裂灯摄影质量在微生物角质炎
Joshua Ong1, Ming-Chen Lu1, Chanon Thanitcul1
1Department of Ophthalmology and Visual Sciences, School of Medicine, University of Michigan, Ann Arbor, Michigan.
Ophthalmology science
|March 12, 2026
概括
开发了一种深度学习模型,以评估微生物角质炎 (MK) 的裂灯照片质量. 移动NetV2模型在识别优质图像方面表现出高精度,这对于人工智能驱动的诊断至关重要.
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:
- 微生物角膜炎 (MK) 是导致失明的主要原因,特别是在低收入和中等收入国家.
- 高质量的裂纹灯照片 (SLP) 对于精确的人工智能 (AI) 分析炎至关重要.
- 低质量的SLP可以显著损害用于炎分类的人工智能算法的性能.
研究的目的:
- 开发和验证深度学习 (DL) 模型,以评估MK患者的SLP质量.
- 通过确保高质量的输入数据,提高人工智能驱动的MK诊断工具的可靠性.
主要方法:
- 在四种不同的照明条件下,从MK患者的SLP中收集了一个新的数据集.
- 五个DL模型 (AlexNet,ResNet50,DenseNet169,InceptionV3,MobileNetV2) 被训练并使用五重交叉验证进行评估.
- 用准确度和F1分数来评估模型性能,并通过梯度加权类激活映射进行可视化.
主要成果:
- 移动NetV2模型在预测不同照明类型的SLP质量方面取得了最高的性能.
- 移动NetV2的准确度分数在71.88%至83.73%之间,相应的F1分数在69.64%至81.56%之间.
- 优质图像的比例因照明类型而异,突出显示了数据采集的挑战.
结论:
- 在MK中评估SLP质量具有影响AI性能的复杂性.
- 需要进一步的研究来了解图像质量对MK诊断中自动化决策过程的影响.
- 开发的DL模型在标准化SLP质量评估方面显示出前景,以改善眼科人工智能应用.
