利用深度卷积神经网络量化 Descemet 膜内皮角膜移植术后的移植物脱离
图像与视频处理
2020-04-28 v1 计算机视觉与模式识别
摘要
目的：我们开发了一种在前节光学相干断层扫描（AS-OCT）中自动定位并量化 Descemet 膜内皮角膜移植术（DMEK）后移植物脱离的方法。方法：1280 张 AS-OCT B 扫描由 DMEK 专家标注。利用标注数据，构建了深度学习流程以定位巩膜突、将 AS-OCT B 扫描居中并分割脱离的移植物部分。脱离分割模型的性能按 B 扫描评估，比较（1）脱离长度与（2）脱离部分的水平投影同专家标注的差异。水平投影用于构建移植物脱离图。所有最终评估均在模型训练时留出的测试集上进行。第二位 DMEK 专家标注了测试集以确定评分者间性能。结果：巩膜突定位平均误差为 0.155 mm，而评分者间差异为 0.090 mm。估计的移植物脱离长度在 69% 的病例中与真值差异在 10 像素（约 150 {\mu}m）以内（第二位 DMEK 专家为 77%）。所有含脱离的 B 扫描水平投影的 Dice 分数，我们的模型为 0.896，第二位 DMEK 专家为 0.880。结论：我们的深度学习模型可用于自动、即时定位 AS-OCT B 扫描中的移植物脱离。水平脱离投影的确定精度可与人类 DMEK 专家相当，从而可构建准确的移植物脱离图。转化意义：移植物脱离的自动定位与量化可支持 DMEK 研究并规范临床决策。
引用
@article{arxiv.2004.12807,
title = {Quantifying Graft Detachment after Descemet's Membrane Endothelial Keratoplasty with Deep Convolutional Neural Networks},
author = {Friso G. Heslinga and Mark Alberti and Josien P. W. Pluim and Javier Cabrerizo and Mitko Veta},
journal= {arXiv preprint arXiv:2004.12807},
year = {2020}
}
备注
To be published in Translational Vision Science & Technology