基于深度学习的角膜和透镜的自动细分在2D OCT图像中的子眼睛的图像
Wannes De Martelaere1, Haijun Lv2, Hanrui Li2
1Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan 430074, Hubei, China; MOE Key Laboratory for Biomedical Photonics, Department of Biomedical Engineering, College of Life Science and Technology, Advanced Biomedical Imaging Facility, Huazhong University of Science and Technology, Wuhan 430074, Hubei, China; Vrije Universiteit Brussel, Department of Photonics Engineering, Pleinlaan 2, 1050 Brussels, Brussels-Capital Region, Belgium; Korea University, Department of Nonlinear Dynamics and Biophysics, 145 Anam-ro, Seongbuk-gu, Seoul 02841, Seoul, South Korea.
我们开发了一种自动化管道来分析前段光学连贯性断层扫描 (AS-OCT) 扫描,通过精确地划分角膜和透镜结构,改善白内障手术规划,即使在杂的图像中也是如此.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学成像技术 生物医学成像技术
- 计算机视觉 计算机视觉
背景情况:
- 前段光学连贯性断层扫描 (AS-OCT) 对于白内障手术规划至关重要.
- 准确地划分角膜和透镜接口是必不可少的,但在噪音大的扫描中具有挑战性.
- 当前的临床工作流需要更快,用户独立的细分方法.
研究的目的:
- 开发一条端到端的自动化管道,用于在低信号噪声比 (SNR) AS-OCT图像中对角膜和晶状镜片接口进行细分.
- 创建一种强大的方法,用于生成用于手术规划的生物识别准备的表面.
- 在临床前数据上验证自动化管道的性能.
主要方法:
- 一个系统的架构搜索发现了一个U-Net带有EfficientNet-B2编码器.
- 一个剩余驱动的,面具引导的非局部介质阶段被用于降低噪音.
- 面罩到表面的转换使用第三阶多项式生成的接口表面.
主要成果:
- 该模型获得了高的交叉对联 (IoU) 评分:角膜的0.957 ± 0.007和验证裂上的透镜的0.978 ± 0.007.
- 边界根-平均平方误差 (RMSE) 在4.03-6.91μm之间.
- 在一个独立的测试组中,性能仍然很高,IOU为0.939 ± 0.008 (角膜) 和0.961 ± 0.009 (镜头),超过了图表搜索基线.
结论:
- 开发的管道准确而稳健地从具有挑战性的AS-OCT图像中划出角膜和镜片接口.
- 该方法适用于下游生物识别,尽管培训数据有限,SNR低.
- 这种自动化方法增强了AS-OCT在临床前研究和潜在的临床应用中的实用性.
