相关实验视频
Updated: Jul 29, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
识别ResNet-50中糖尿病视网膜病变的关键组件,从 fundus图像进行分级:一个系统的调查
Yijin Huang1,2, Li Lin1,3, Pujin Cheng1
1Department of Electronic and Electrical Engineering, Southern University of Science and Technology, Shenzhen 518055, China.
Diagnostics (Basel, Switzerland)
|May 27, 2023
概括
优化深度学习培训设置显著改善了糖尿病视网膜病变 (DR) 的分类. 使用平均平方误差损失和眼睛对提高了性能,而数据重新抽样阻碍了它.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 深度学习模型,特别是卷积神经网络 (CNN),被广泛用于糖尿病视网膜病变 (DR) 的分类.
- 这些模型的性能不仅受网络架构的影响,而且受训环境的影响,包括目标功能,数据采样和增强.
- 了解这些培训组件的影响对于提高DR分级准确度至关重要.
研究的目的:
- 系统地分析关键培训设置组件对DR等级的影响,使用标准深度学习框架 (ResNet-50).
- 确定最佳的培训策略,以提高糖尿病视网膜病变分类模型的性能.
主要方法:
- 在公开可用的EyePACS数据集上进行了广泛的实验.
- 该研究系统地分析了输入分辨率,目标函数 (损失函数),数据增强策略和数据采样技术 (包括使用眼对和数据重新采样) 的影响.
- 使用标准的ResNet-50架构来隔离训练组件的影响.
主要成果:
- 糖尿病视网膜病变分级性能对输入分辨率,目标函数和数据增强组合敏感.
- 采用平均平方误差作为损失函数显著改善了基于二次加权卡帕度量的性能.
- 使用眼睛对作为输入数据提高了DR分级性能,而重新采样数据以解决类不平衡对结果产生了负面影响.
- 优化的训练策略在没有专门的网络架构修改的情况下,在EyePACS测试集上获得了0.8631的最先进的卡帕得分.
结论:
- 培训环境在用于糖尿病视网膜病变分类的深度学习模型的性能中起着至关重要的作用.
- 特定的训练组件,如平均平方误差损失和眼睛对的使用,在提高DR分级精度方面非常有效.
- 这些发现表明,在不同的数据集和网络架构中,拟议的培训实践具有普遍性,为增强DR检测系统提供了实用方法.
