Segmentation automatisée des nerfs cornéens sous-basal utilisant l'apprentissage profond

Abstract

Notre projet de recherche se concentre sur une méthode novatrice exploitant l'apprentissage profond pour automatiser la segmentation des nerfs cornéens et autres structures dans les images de microscopie cornéenne confocale (CCM). Cette approche vise à améliorer le diagnostic et la gestion des maladies de la surface oculaire (OSD) en offrant une analyse rapide et précise du plexus nerveux sous-basal (SNP). Le modèle d'apprentissage profond basé sur U-Mamba que nous avons affiné sur notre jeu de donnée permet une identification précise des nerfs cornéens altérés dans les images CCM, offrant ainsi un potentiel considérable pour une évaluation clinique efficace des patients atteints de maladies oculaires. Cette méthode automatisée ouvre la voie à une compréhension approfondie des altérations des nerfs cornéens dans les OSD, offrant des perspectives prometteuses pour des interventions thérapeutiques précoces et ciblées. Nos résultats dépassent ceux des méthodes précédemment proposées dans la littérature pour des données similaires, avec un rappel de 88.1% et un coefficient de similarité de Dice (DSC) de 88.7%, soulignant la performance et la fiabilité de notre approche dans le contexte de la segmentation des nerfs sous-basaux. Ce travail représente une avancée significative dans l'utilisation des technologies d'apprentissage profond pour l'analyse des images médicales, avec des implications potentielles pour améliorer la qualité des soins et les résultats pour les patients atteints de maladies oculaires. Our research project focuses on an innovative method leveraging deep learning to automate the segmentation of corneal nerves and other structures in corneal confocal microscopy (CCM) images. This approach aims to improve the diagnosis and management of ocular surface diseases (OSD) by providing a rapid and accurate analysis of the sub-basal nerve plexus (SNP). The U-Mamba-based deep learning model we have fine-tuned on our dataset allows for precise identification of altered corneal nerves in CCM images, thus offering considerable potential for effective clinical assessment of patients with ocular diseases. This automated method paves the way for an in-depth understanding of corneal nerve alterations in OSD, providing promising prospects for early and targeted therapeutic interventions. Our results outperform previously proposed methods in the literature on similar data, with a recall of 88.1% and a Dice Similarity Coefficient (DSC) of 88.7%, highlighting the performance and reliability of our approach in the context of subbasal nerve segmentation. This work represents a significant advancement in the use of deep learning technologies for medical image analysis, with potential implications for improving the quality of care and outcomes for patients with ocular diseases.