基于边缘检测的深度学习泪河高度测量方法
图像与视频处理
2024-03-26 v1 计算机视觉与模式识别
摘要
利用深度学习技术已实现了泪河高度的自动测量；然而，标注受主观因素影响显著，且耗时费力。本文介绍了一种基于边缘检测辅助标注的深度学习框架下的自动TMH测量技术。该方法生成的掩膜标签受主观因素影响较小，且效率高于以往的标注方法。为了改进瞳孔和泪河区域的分割，首先采用卷积神经网络Inceptionv3作为图像质量评估模型，有效识别高质量图像，准确率达98.224%。随后，使用生成的标签训练了多种算法，包括Unet、ResUnet、Deeplabv3+FcnResnet101、Deeplabv3+FcnResnet50、FcnResnet50和FcnResnet101，其中Unet表现最佳。最后，使用Unet进行自动瞳孔和泪河分割，分别定位瞳孔中心和计算TMH。对Unet预测的掩膜质量评估显示，平均交并比为0.9362，召回率为0.9261，精确率为0.9423，F1分数为0.9326。此外，评估了模型预测的TMH，拟合曲线为y=0.982x-0.862，总体相关系数r²=0.961，准确率为94.80%（237/250）。总之，该算法可根据图像质量自动筛选图像，分割瞳孔和泪河区域，并自动测量TMH。使用AI算法的测量结果与手动测量高度一致，为临床医生诊断干眼症提供了重要支持。
引用
@article{arxiv.2403.15853,
title = {An edge detection-based deep learning approach for tear meniscus height measurement},
author = {Kesheng Wang and Kunhui Xu and Xiaoyu Chen and Chunlei He and Jianfeng Zhang and Dexing Kong and Qi Dai and Shoujun Huang},
journal= {arXiv preprint arXiv:2403.15853},
year = {2024}
}
备注
22 pages, 5 figures