工作报告 文章 版本2 这个版本没有经过同行评审

基于快速轻量级深度融合学习的超广域眼底图像黄斑中心凹检测

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

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.预印本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

摘要

黄斑中心凹的检测是黄斑疾病筛查和诊断的重要前提。如果不及早发现和适当治疗,任何涉及黄斑的异常都可能导致失明。但由于眼科医生的缺乏和人工评价的耗时,诊断过程的准确性和有效性无法得到保证。在本课题中,我们提出了一种基于深度学习的超广域眼底图像黄斑中心凹检测方法。本研究收集了中国深圳爱尔眼科医院2300张超广域眼底图像。基于u形网络(Unet)和全卷积网络(FCN)的方法分别在1800张(放大前)训练眼底图像、400张(放大前)验证图像和100张测试图像上实现。三位专业眼科医生被邀请来标记中央凹。从解剖学角度研究了一种方法。这种方法来源于UWF中黄斑中央凹与视盘中心的空间关系。根据眼科医生的经验,设置了一套参数,并验证了该方法的有效性。 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.

关键字

U形网络;完全卷积的网络;深度学习;黄斑Fovea;超宽ffield眼底图像

评论(1)

评论1
收到:7月7日2021年
评论者:汉旺
评论者的利益冲突:作者
评论:对讨论和可视化进行了修改。
+回复此评论

我们鼓励来自广大读者的评论和反馈。看到标准的评论和我们的多样性声明。

留下公众评论
向作者发送私人评论
意见 0
下载 0
注释 1
指标 0


×
警报
通知我关于本文的更新或在发布对等审核版本时。
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的更多信息在这里