
-
生物通官微
陪你抓住生命科技
跳动的脉搏
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
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。
生物通微信公众号