Авторы: Shuai Xu, Xiaoyan Yang, Shuxian Zhang, Xuan Zheng, Fang Zheng, Yin Liu, Hanyu Zhang, Lihua Li, Qing Ye
Источник: Front Med (Lausanne). 2024 Jan 4:10:1264659. doi: 10.3389/fmed.2023.1264659. https://pubmed.ncbi.nlm.nih.gov/38239613/
Цель: в настоящем исследовании разработан уникальный тип метода оценки топографии роговицы на основе её углубленного изучения и традиционных алгоритмов обработки изображений. Тип топографии роговицы пациентов оценивали путём сегментации важных медицинских зон и расчёта соответствующих показателей ортокератологических (ОК) линз.
Методы. Клинические данные 1302 пациентов с близорукостью были собраны ретроспективно. Для сегментации зрачка и зоны обработки в топографии роговицы использовали серию нейронных сетей U-Net, а по алгоритму обработки изображения рассчитывали децентрацию, эффективную контактную дефокусировку и другие показатели. Тип топографии роговицы оценивался в соответствии с критериями оценки, предоставленными оптометристом. Наконец, метод, описанный в этой статье, был использован для оценки типа топографии роговицы и её сравнения с типом, классифицированным оптометристом.
Результаты: когда важные медицинские зоны в топографии роговицы были сегментированы, точность и повторяемость зоны лечения достигли соответственно 0,9587 и 0,9459, а точность и повторяемость зрачка достигли 0,9771 и 0,9712, метод, описанный в этой статье, использовался для оценки типа топографии роговицы. Когда проверенные результаты, основанные на глубоком обучении и алгоритмах обработки изображений, сравнивались с типом топографии роговицы, обозначенным профессиональным оптометристом, они продемонстрировали высокую (более 98%) точность.
Вывод: текущее исследование обеспечило эффективный и точный алгоритм углублённого изучения для оценки типа топографии роговицы. Алгоритм углублённого изучения играл вспомогательную роль в подгонке ОК-линз, что помогло оптикам эффективно выбрать параметры ОК-линз.