黄斑水肿被认为是眼底疾病患者视力丧失和失明的主要原因。光学相干断层扫描(OCT)是一种非侵入性成像技术,其由于其非侵入性和高分辨率性质而被广泛应用于诊断黄斑水肿。然而,由于黄斑水肿附近的视网膜形态和模糊边界,实际应用仍然存在挑战。在此,我们基于DEEPLAB框架(OCT-DEEPLAB)开发了一种用于DET图像中黄斑水肿的分割的新深度学习模型。在该模型中,我们使用奥克斯空间金字塔池(ASPP)以多个特征检测黄斑水肿,并使用完全连接的条件随机场(CRF)来改进黄斑水肿的边界。将OCT-DEEPLAB模型与传统的手工制作方法(C-V和SBG)和端到端方法(FCN,PSPNET和U-NET)进行比较,以估算分段性能。OCT-DEEPLAB通过手工制作方法(C-V和SBG)和端到端方法(FCN,PSPNET和U-NET)显示出很大的优势,如更高的精度,灵敏度,特异性和F1分数所示。OCT-DEEPLAB的分割性能与手动标签的分割性能相当,曲线(AUC)下的平均面积为0.963,其优于其他端到端方法(FCN,PSPNET和U-NET)。统称,OCT-DEEPLAB模型适用于黄斑水肿的分割,并有助于眼科医生在眼部疾病的管理中。
用于最新消息和更新