目的通過卷積神經(jīng)網(wǎng)絡(luò)UNet構(gòu)建光學(xué)相干斷層掃描（optical coherence tomography,OCT）圖像中糖尿病性黃斑水腫的自動識別模型,并通過相關(guān)指標(biāo)判斷其價值。方法利用開源的OCT數(shù)據(jù)集2014_BOE_Srinivasan和OCT2017訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)UNet模型,并結(jié)合我院2018年1月至2019年5月的60例糖尿病性黃斑水腫患者的OCT檢查影像結(jié)果共同組成數(shù)據(jù)集來驗證模型。最后通過該模型的損失函數(shù)變化和精確度變化,以及繪制受試者工作特征曲線來評價模型。結(jié)果卷積神經(jīng)網(wǎng)絡(luò)UNet對單張圖像的處理時間在75 ms左右。且損失函數(shù)變化圖顯示當(dāng)模型訓(xùn)練到一定程度后,損失數(shù)值逐漸趨于收斂。驗證集的精確度變化圖顯示精確度可以達到0.9左右,并且隨著訓(xùn)練次數(shù)的不斷增加,精確度逐漸趨于穩(wěn)定。最后根據(jù)測試結(jié)果繪制了受試者工作特征曲線,其曲線下面積達到0.902,提示該模型具有較高診斷能力。結(jié)論利用卷積神經(jīng)網(wǎng)絡(luò)UNet可以準(zhǔn)確快速地分割出糖尿病性黃斑水腫區(qū)域,有望輔助臨床醫(yī)師的診斷與治療。 

【文章來源】：眼科新進展. 2020,40(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)UNet結(jié)構(gòu)示意圖

本研究中所有的測試樣本均轉(zhuǎn)換為單張尺寸大小為948×480,位深度為24的圖像,然后進行了IRC的識別和分割測量,平均單張?zhí)幚頃r間在75 ms左右。對測試樣本識別的示例圖片見圖2。2.2 損失函數(shù)變化和精確度變化

利用卷積神經(jīng)網(wǎng)絡(luò)UNet對驗證集進行自動識別分割時,基于病變區(qū)域像素面積計算并繪制了損失函數(shù)變化圖和精確度變化圖。訓(xùn)練集中的損失函數(shù)變化趨勢和驗證集中的精確度變化趨勢見圖3。在模型訓(xùn)練過程的前500次的迭代中損失數(shù)值下降速度非常快,到達1000次迭代后損失函數(shù)變化曲線趨于平緩,表明已逐漸收斂。當(dāng)驗證集中的迭代次數(shù)到達1000次后,驗證集的精確度即可以達到0.9左右,并且隨著迭代次數(shù)的不斷增加,精確度逐漸趨于穩(wěn)定。2.3 對病變區(qū)域識別能力的ROC分析

【參考文獻】：
期刊論文
[1]糖尿病視網(wǎng)膜病變黃斑水腫的臨床分析[J]. 張美霞,楊蘭芬,羅成仁,嚴(yán)密,孟丹,沈齊,杜彩鳳.  中華眼底病雜志. 2003(02)



本文編號：2980373