今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

深度学习模型在真实世界角膜内皮细胞自动检测与密度估计中的性能评估

《Scientific Reports》:Automated corneal endothelial cell detection and segmentation in specular microscopy images using Attention and Faster U-Net

【字体: 大 中 小 】 时间:2026年10月14日 来源:Scientific Reports 4.9

编辑推荐:

   摘要角膜内皮细胞(CECs)密度的监测对于评估角膜健康至关重要。手动计算耗时且容易出错,这促使人们寻求可靠的自动化方法。U-Net是一种用于生物医学图像分析的神经网络,在健康且质量良好的角膜中细胞自动检测方面已展现出令人振奋的成果。本研究旨在评估两种深度学习模型——Atten

  

摘要

角膜内皮细胞(CECs)密度的监测对于评估角膜健康至关重要。手动计算耗时且容易出错,这促使人们寻求可靠的自动化方法。U-Net是一种用于生物医学图像分析的神经网络,在健康且质量良好的角膜中细胞自动检测方面已展现出令人振奋的成果。本研究旨在评估两种深度学习模型——Attention U-Net和Faster U-Net——在来自公开可用的SREP-18-33533B数据集的、质量各异且伴有不同眼部疾病的真实世界CEC图像上的表现。结果指标包括CEC检测的精确率、召回率、CEC密度估计的正确性以及不可分级图像的检测。采用经典的标记控制分水岭方法进行对比。Attention U-Net和Faster U-Net的自动化图像分析与手动标注之间显示出良好的一致性。由回归得出的R2值分别为Attention U-Net的0.95和Faster U-Net的0.94。两种模型的CEC召回率平均值均为0.65,精确率分别为0.66和0.64。标记控制分水岭方法表现不佳,由回归得出的R2仅为0.12。该框架为未来眼科临床研究提供了可重复的基础。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:角膜内皮细胞|深度学习|Attention U-Net|Faster U-Net|自动化检测|生物医学图像处理

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号