早产儿视网膜病变早期阶段的自动化诊断

《Eye》：Automated diagnosis of early-stage retinopathy of prematurity

基于深度学习的ROP检测与分类流程研究，通过400GB视网膜图像数据，采用U-Net进行血管和神经纤维层分割，结合ResNet50分类器实现高精度ROP检测（98.4%）和分期（92.8%），为临床决策提供支持。

　　

摘要

目的

早产儿视网膜病变（ROP）是一种影响早产儿的眼部疾病。早期诊断对于防止视力丧失和及时干预至关重要。本研究旨在利用一个大型视网膜图像数据集，开发一种基于深度学习的自动化ROP检测和分类流程。

材料与方法

我们从印度班加罗尔的Narayana Nethralaya医院获取了一个包含400GB视网膜底片的数据集。使用U-Net模型对血管和视网膜嵴特征进行了分割。对于视网膜嵴的分割，采用了Gabor增强后的图像；而对于血管的分割，则使用原始视网膜图像，因为原始图像能够保留关键的血管特征。将分割得到的视网膜嵴和血管掩膜叠加在Sigmoid增强后的视网膜图像上，作为输入数据送入ResNet50分类器进行处理。该流程的目的是保留最常见的疾病特征，以便对ROP进行分阶段分类。

结果

该流程在ROP检测方面的准确率为98.40%，在ROP分期方面的准确率为92.80%。该方法通过有效识别关键疾病特征，提高了基于图像的ROP筛查效果。

结论

这种自动化流程的结果表明，它在支持ROP早期检测方面具有较高的准确性和效率。在筛查过程中整合U-Net和ResNet50等深度学习模型，有助于辅助临床决策，并推动新生儿眼科实践的发展。