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1 130眼的UBM图像4 196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。
-
单位武汉大学人民医院