基于深度学习算法的前房角超声生物显微镜图像自动评估系统

摘要：

目的:探讨一种基于深度学习算法的前房角(ACA)超声生物显微镜(UBM)图像分析系统的临床应用价值.方法:收集2021-01/2022-06于武汉大学人民医院眼科中心进行UBM检查的受试者675名1130眼的UBM图像4196张构建图像数据集.采用Unet++网络对ACA组织自动分割,并开发一种支持向量机(SVM)算法对房角开闭状态进行自动分类,同时开发一种自动定位巩膜突、测量ACA参数的算法.另选取黄石爱尔眼科医院的受试者127名221眼的UBM图像631张和武汉大学中南医院的受试者188名257眼的UBM图像594张评估该系统在不同环境下的性能.结果:本研究构建的分析系统对房角开闭状态识别的准确度为95.71％;ACA角度参数测量值的组内相关系数(ICC)均大于0.960,ACA厚度参数测量值的ICC均大于等于0.884,且该系统对ACA参数的准确测量部分依赖于巩膜突的准确定位.结论:本研究构建的智能分析系统能够准确有效地自动评估ACA图像,是一种有潜力的快速识别ACA结构的筛查工具.

关键词：眼科超声生物显微镜、人工智能、深度学习、原发性闭角型青光眼、前房角、巩膜突

所属期刊栏目：23

分类号：TP391.41;U666.158;TN957.52

资助基金：湖北省重点研发计划项目No.2020BCB055

在线出版日期：2023-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：833-842