基于AI的红外睑板腺照相中睑板腺分割、分类与反射校正自动化方法
定量方法
2022-06-01 v1 计算机视觉与模式识别
图像与视频处理
摘要
目的：开发一种基于深度学习的自动化方法，用于分割睑板腺（MG）与眼睑，定量分析 MG 面积与 MG 比率，估计睑板腺评分（meiboscore），并从红外图像中去除镜面反射。方法：在临床环境中采集共 1600 张睑板腺照相图像。其中 1000 张图像由研究者经多次修订精确标注，并由睑板腺功能障碍（MGD）专家分级 6 次。分别训练两个深度学习（DL）模型以分割 MG 与眼睑区域。利用这些分割结果，通过基于分类的 DL 模型估计 MG 比率与睑板腺评分。采用生成对抗网络（generative adversarial network）从原始图像中去除镜面反射。结果：研究者标注与 DL 分割计算的 MG 平均比率一致，上眼睑分别为 26.23% 与 25.12%，下眼睑分别为 32.34% 与 32.29%。我们的 DL 模型在验证集上睑板腺评分分类准确率为 73.01%，在独立中心图像测试上准确率为 59.17%，而 MGD 专家验证准确率为 53.44%。该基于 DL 的方法成功去除原始 MG 图像中的反射，且不影响睑板腺评分分级。结论：结合红外睑板腺照相的 DL 可提供完全自动化、快速的 MG 形态学定量评估（MG 分割、MG 面积、MG 比率与睑板腺评分），其准确性足以诊断干眼症。此外，该 DL 方法可去除图像中的镜面反射，供眼科医生进行无干扰评估。
引用
@article{arxiv.2205.15543,
title = {AI-based automated Meibomian gland segmentation, classification and reflection correction in infrared Meibography},
author = {Ripon Kumar Saha and A. M. Mahmud Chowdhury and Kyung-Sun Na and Gyu Deok Hwang and Youngsub Eom and Jaeyoung Kim and Hae-Gon Jeon and Ho Sik Hwang and Euiheon Chung},
journal= {arXiv preprint arXiv:2205.15543},
year = {2022}
}
备注
11 pages, 13 Figures, 5 Supplementary Figures