16、3D眼底照片的视盘形状分析与弱监督视网膜脱离分割

3D眼底照片的视盘形状分析与弱监督视网膜脱离分割

1. 3D视盘形状分析方法与结果

在对3D视盘（ONH）形状进行分析时，提出了一种具有深度编码器和轻量级解码器的神经网络，以像素级总视网膜厚度（TRT）图的形式估计ONH深度信息。为了评估该方法的性能，采用了均方根误差（RMSE）和皮尔逊相关系数进行量化分析，并将其与U-Net方法进行对比。

• 实验结果对比
  • 总体视网膜体积（TRV）和区域体积 ：从表1可以看出，与OCT真实值相比，所提出的方法在TRV和各个区域体积（鼻侧、颞侧、上方、下方和视盘周围）的测量上，RMSE均显著低于U-Net方法，且皮尔逊相关系数显著更高。例如，TRV的RMSE，提出方法为1.69 $mm^3$，而U-Net方法为2.23 $mm^3$；皮尔逊相关系数，提出方法为0.85，U-Net方法为0.53。
  • 形状模型 ：基于102个OCT TRT厚度图的主成分分析（PCA），前八个主成分（形状模型）覆盖了总系统能量的90.6%。对于这八个形状模型，提出方法的形状测量RMSE和皮尔逊相关系数同样优于U-Net方法。如形状模型1的RMSE，提出方法为0.49，U-Net方法为0.90；皮尔逊相关系数，提出方法为0.88，U-Net方法为0.53。

	TRV	鼻侧	颞侧	上方 <