Сегментация внутриглазной жидкости на томограммах сетчатки

О сервисе

Клиническая мотивация Накопление внутриглазной жидкости является основным биомаркером при трех основных заболеваниях, угрожающих зрению: Тип жидкости Полное название Клиническое значение IRF Внутриретинальная жидкость Активное воспаление при диабетическом макулярном отеке (ДМО) и влажной форме ВМД. Требует инъекции анти-VEGF в течение нескольких дней после обнаружения. SRF Субретинальная жидкость Связана с неоваскулярной ВМД и центральной серозной хориоретинопатией. Объем определяет частоту лечения. PED Отслойка пигментного эпителия Возвышение ретинального пигментного эпителия — ключевой маркер прогрессирования ВМД. Ручная сегментация экспертами занимает 20–40 минут на один объем с межуровневой изменчивостью до 15% для небольших карманов жидкости. Эта модель обеспечивает калиброванные, учитывающие неопределенность маски сегментации для снижения нагрузки на клиницистов и повышения согласованности мониторинга лечения. Архитектура Модель использует подход двойного ансамбля с двумя вариантами: Две модели — Двойной ансамбль Компонент V2S (Малая) V2L (Большая) Кодировщик EfficientNetV2S EfficientNetV2L Каналы кодировщика s1=24, s2=48, s3=64, s4=160, bot=256 s1=32, s2=64, s3=96, s4=192, bot=640 Размерность трансформера (d_model) 256 512 Количество голов внимания 16 16 Количество слоев трансформерa 2 2 Общее количество параметров ~22M ~127M Dice на валидации (фаза B) 0.7443 (seed=42) 0.7913 (seed=123) Особенности модели UCUS — Взвешенный по неопределенности показатель клинической срочности: Объединяет показатель объема, фовеальный множитель, неопределенность границ и скидку на неопределенность в единую шкалу оценки: Мониторинг / Обзор / Срочно. Двойная оценка неопределенности: Объединяет дисперсию MC Dropout (20 прямых проходов) с расхождением между предсказаниями V2S и V2L. Source-Adaptive BatchNorm (SA-BN): Отдельная статистика пакетной нормализации для каждого источника сканера (DUKE, AROI, UMN-AMD, UMN-DME, OPTIMA). Обеспечивает адаптацию к домену между сканерами без переобучения. Многоисточниковая оценка на четырех наборах данных: Одновременная оценка по 4 независимым источникам с пошаговым разбиением Dice для каждого источника. Применение Модель предназначена для автоматической сегментации внутриглазной жидкости на OCT-изображениях, что позволяет быстрее и точнее диагностировать и мониторить такие заболевания, как диабетический макулярный отек (ДМО) и влажная форма возрастной макулярной дегенерации (ВМД). Это снижает нагрузку на офтальмологов и обеспечивает более последовательный подход к лечению. Метрики качества Dice на валидации (V2S): 0.7443 (seed=42) Dice на валидации (V2L): 0.7913 (seed=123) Пример использования Ссылки animeshakr/oct-fluid-segmentation Источник: https://qubu.ai/models/segmentatsiya-vnutriglaznoi-zhidkosti-na-tomogrammakh-setchatki License: MIT