基于深度学习的睑板腺腺体分割方法研究

目的：探讨应用深度学习技术解决睑板腺腺体自动分割问题的效果与价值。

方法：采集并筛选出193幅红外睑板腺图像构建图像数据库,由3名临床医师对图像进行人工标记; 引入UNet++网络与自动数据增广策略构建睑板腺腺体自动分割模型,采用精确率、敏感性、特异性、准确率和交并比分析该模型的可行性与有效性。

结果：以人工标注结果为金标准,基于UNet++的睑板腺腺体自动分割模型取得94.31%的准确率,敏感性、特异性分别为82.15%和96.13%,腺体分割表现具有较好的稳定性,模型处理单张图像的平均用时仅为0.11s。

结论：引入深度学习技术实现睑板腺腺体的自动分割,具有良好的准确性、稳定性和高效性,可服务于睑板腺功能障碍患者腺体形态参数的计算,辅助相关疾病的临床诊断和筛查,提高诊断效率。