基于深度卷积神经网络的眼底豹纹分割量化及应用

目的基于深度卷积神经网络(DCNN)方法自动测量彩色眼底像上全局和局部豹纹分布密度。方法应用研究。将2021年5〜7月于山东第一医科大学附属青岛眼科医院北部院区行近视手术的患者514例1028只眼的1005张彩色眼底像建立人工智能(AI)数据库。采用RGB颜色通道重标定方法(CCR算法)、基于Lab颜色空间的CLAHE算法、多重迭代照度估计的Retinex算法、具有色彩保护的多尺度Retinex算法对图像进行预处理。对比观察上述4种图像增强方法以及使用Dice损失、边缘重叠率损失和中心线损失对豹纹分割模型效果的影响。建立眼底豹纹分割模型识别全图范围内豹纹结构区域;构建眼底组织结构检测模型用于视盘及黄斑中心凹定位。计算视野范围内后极部豹纹密度(FTD)、黄斑区豹纹密度(MTD)、视盘区豹纹密度(PTD)。结果应用CCR算法图像预处理和训练损失组合后,豹纹分割模型的Dice系数、准确率、灵敏度、特异性、约登指数分别达到0.7234、94.25%、74.03%、96.00%和70.03%。模型自动测量的FTD、MTD,PTD值与人工标注测量值平均绝对误差分别为0.0143、0.0207、0.0267,均方根误差则分别为0.0178、0.0323、0.0365。结论基于DCNN分割和检测方法能自动测量近视患者眼底全局和局部区域的豹纹分布密度,可以更准确地辅助临床监测和评估眼底豹纹改变对近视发展的影响。