研究目的
提出一种与供应商无关的基于深度卷积神经网络和结构张量图搜索的分割框架（CNN-STGS），用于视网膜SD-OCT扫描中视网膜层和液体病理的自动提取与特征分析，为健康和病变黄斑区的分析提供端到端解决方案。
研究成果
CNN-STGS框架能有效提取九层视网膜结构，并以高精度表征液体病理特征，在液体分割任务中平均Dice系数达0.906，液体表征准确率达98.75%。该方案性能超越现有方法，具有设备无关性，可提供全面的3D视网膜分析，是黄斑病变自动化诊断的可靠工具。
研究不足
该框架的性能可能受OCT扫描质量和差异性的限制；它需要基于大型数据集进行训练，且可能无法泛化至所有视网膜病变类型或训练集中未包含的OCT设备。高效处理需要计算资源支持。
1：实验设计与方法选择：
CNN-STGS框架整合了用于视网膜层分割的结构张量图搜索(STGS)和用于液体提取与表征的深度CNN模型。采用自适应二维维纳滤波去噪、结构张量突出显示层级、图搜索算法进行层级提取，并使用预训练的AlexNet CNN模型实现液体分割与分类。优化过程采用随机梯度下降(SGD)算法。
2：样本选择与数据来源：
四组公开数据集构成实验基?。篋uke医院数据集I（AMD与正常扫描，含26,900张B扫描）、Duke数据集II（糖尿病黄斑水肿扫描，610张B扫描）、Duke数据集III（AMD与DME联合扫描，763张B扫描）以及AFIO数据集（健康眼、黄斑水肿、中心性浆液性脉络膜视网膜病变扫描，4,260张B扫描）。所有数据均通过Spectralis（海德堡公司）和Topcon 3D OCT 2000系列设备获取。
3：实验设备与材料清单：
Spectralis及Topcon 3D OCT 2000系列设备的OCT扫描图像；计算硬件配置为第五代Intel i5处理器、8GB内存、NVIDIA GeForce 830M显卡；软件系统集成图像处理与深度学习专用工具链。
4：实验流程与操作系统：
包含自适应维纳滤波去噪OCT图像、计算结构向量突出视网膜层级、通过种子点与迭代更新将二值图像转化为图结构实现层级分割、利用视网膜神经纤维层(RNFL)和视网膜色素上皮层(RPE)提取神经感觉视网膜、通过RCNN算法分割液体区域、采用CNN模型区分囊样液与浆液性液体、基于提取层级重建三维视网膜表面等核心步骤。
5：数据分析方法：
性能指标涵盖层级分割平均准确率、液体提取平均Dice系数、液体表征准确率/灵敏度/特异度及计算耗时。统计分析通过人工标注结果对比及与最新技术水平方法的横向比较完成。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
NVIDIA GeForce 830M
NVIDIA
Accelerating deep learning computations in the CNN models.
-
OCT machine
Spectralis
Heidelberg Inc.
Acquiring retinal SD-OCT scans for dataset creation and validation.
-
OCT machine
Topcon 3-D OCT 2000 series
Topcon
Acquiring retinal SD-OCT scans for the AFIO dataset.
-
Processor
Intel i5 fifth-generation
Intel
Computational processing for running the CNN-STGS framework.
-
RAM
8GB
Memory for computational tasks in the framework.
-
登录查看剩余3件设备及参数对照表
查看全部
