工作文件 文章 版本2 此版本不是对等审核的

使用超宽FIFIESUSPUS图像检测Mucula Fovea的快速轻量级深融学习

版本1:收到:2021年8月20日/批准:8月2021日/在线:2021年8月24日(13:57:56 Cest)
版本2:收稿日期:2021年9月6日/批准日期:2021年9月7日/在线日期:2021年9月7日(CEST 11:51:17)

如何引用:王,h;杨,j .;吴,y;杜,w;方,美国;段,y;姚,x;周,x;李,问:;林,c; Liu, J.; Huang, L.; Wu, F. A Fast Lightweight Based Deep Fusion Learning for Detecting Macula Fovea Using Ultra-Widefield Fundus Images.预印迹2021.,2021080469.王,h;杨,j .;吴,y;杜,w;方,美国;段,y;姚,x;周,x;李,问:;林,c; Liu, J.; Huang, L.; Wu, F. A Fast Lightweight Based Deep Fusion Learning for Detecting Macula Fovea Using Ultra-Widefield Fundus Images. Preprints 2021, 2021080469

抽象的

黄斑Fovea检测是筛查和诊断黄斑疾病的重要前提。没有早期检测和适当的治疗,任何涉及黄斑的异常可能导致失明。然而,随着眼科医生的短缺和耗时的人工评估,可以保证诊断过程的准确性和有效性。在这个项目中,我们提出了一种在超广域网上(UWF)图像上的深度学习方法,用于黄斑FOVEA检测。本研究收集了中国深圳艾尔眼科医院的2300个超广域网眼图像。基于U形网络(UNET)和完全卷积网络(FCN)的方法在1800(放大过程之前)实现训练眼底图像,400(放大过程之前)验证图像和100测试图像。邀请了三名职业眼科医生来标记Fovea。研究了来自解剖视角的方法。这种方法来自于UWF的黄斑Fovea和光盘中心之间的空间关系。基于眼科医生的体验并验证了这种方法的一组参数,并验证有效。 Results are measured by calculating the Euclidean distance between proposed approaches and the accurate grounded standard, which is detected by Ultra-widefield swept-source optical coherence tomograph (UWF-OCT) approach. Through a comparation of proposed methods, we conclude that, deep learning approach of Unet outperformed other methods on macula fovea detection tasks, by which outcomes obtained are comparable to grounded standard method.

关键词

型网络;完全卷积网络;深度学习;黄斑中央;ultra-widefield眼底图像

评论(1)

评论1
已收到:2021年9月7日
评论:韩王
评论者的利益冲突:作者
备注:修订讨论和可视化。
回复这条评论

我们鼓励广泛的读者评论和反馈。看评论的标准和我们的多样性陈述。

发表公众评论
向作者发送私人评论
的观点 0.
下载 0.
评论 1
指标 0.


×
警报
当这篇文章的更新或同行评议的版本发布时通知我。
我们在网站上使用cookie,以确保您获得最佳体验。
阅读更多关于我们的饼干这里