Robust Margin Reflex Distance 1 Estimation via ResNet-101 Based Dual-Segmentation

Abstract

Resumo: A avaliação clínica da pálpebra caída, um sintoma comum em algumas doenças oculares, como a Miastenia Gravis, depende da medição manual da distância margem-reflexo 1, um processo sujeito à subjetividade. Este artigo propõe uma nova estrutura de deep learning com modelo duplo para a estimação automatizada e objetiva desta distância. A abordagem utiliza dois modelos ResNet-101 interconectados: um modelo com várias classes que segmenta a esclera, a íris e a pupila como classes distintas, e um modelo de classe única que segmenta todo o globo ocular como uma unidade. A distância margem-reflexo 1 é então calculada geometricamente usando o centroide da pupila do primeiro modelo e o limite superior do globo ocular do segundo, com calibração por quadro baseada no diâmetro da íris segmentada. A avaliação quantitativa no dataset TEyeD mostra que o modelo de multiplas classes obtém alta acertividade para a segmentação da íris e da pupila, com coeficientes de similaridade de Dice de 97, 22% e 96, 09%, respectivamente. A esclera demonstrou ser a classe mais desafiadora, com um Dice de 92, 08%, exibindo alta variabilidade. O modelo de classe única alcançou um Dice quase perfeito de 99, 32%. A estrutura proposta demonstra que uma abordagem geométrica de modelo duplo pode estimar a distância margem-reflexo de forma robusta, identificando a segmentação da esclera sob oclusão como o principal desafio remanescente

Abstract: The clinical assessment of ptosis, a common symptom in some ocular diseases, such as Myasthenia Gravis, relies on the manual measurement of the Margin Reflex Distance 1, a process prone to subjectivity. This paper proposes a novel dual-model deep learning framework for automated and objective distance estimation. The approach utilizes two interconnected ResNet-101 models: a multi-class model that segments the sclera, iris, and pupil as distinct classes, and a single-class model that segments the entire ocular globe as a single unit. The Margin Reflex Distance 1 is then calculated geometrically using the pupil’s centroid from the first model and the ocular globe’s upper boundary from the second, calibrated on a per-frame basis using the segmented iris diameter. A quantitative evaluation on the TEyeD dataset reveals that the multi-class model achieves high accuracy for iris and pupil segmentation, with Dice similarity coefficients of 97.22% and 96.09%, respectively. The sclera proved to be the most challenging class, achieving a Dice score of 92.08%, which exhibited high variability. The single-class model achieved a near-perfect Dice score of 99.32%. The framework demonstrates that a dual-model, geometric approach can robustly estimate Margin Reflex Distance 1, identifying sclera segmentation under occlusion as the primary remaining challenge