一种用于糖尿病视网膜病变检测的混合技术,基于合并优化的CNN和纹理特征

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 糖尿病视网膜病变 (DR) 是糖尿病患者不可逆转的视力丧失的主要原因.
• 精确的DR分期对于及时干预和预防严重视力障碍至关重要.
• 现有的方法可能缺乏用于早期和可靠的DR检测所需的精度.

研究的目的:

• 开发和验证一种新的混合方法来检测和分类糖尿病视网膜病变的阶段.
• 为了有效的患者管理,区分DR的非增殖和增殖阶段.
• 通过先进的机器学习技术,提高DR分类的准确性.

主要方法:

• 一种混合方法,将图像预处理与来自局部二进制模式 (LBP) 和深度学习的整体特征相结合.
• 开发一个定制的卷积神经网络 (CNN) 模型.
• 使用二进制龙算法 (BDA) 和正弦共弦算法 (SCA) 对整体特征向量的优化.
• 在优化的特征向量上使用支持向量机 (SVM) 进行分类.

主要成果:

• 拟议的混合方法在Kaggle EyePACS数据集上实现了98.85%的高分类准确性.
• 使用BDA和SCA的整体特征优化显著改善了分类性能.
• 对比分析表明,拟议的方法优于现有的最先进的方法.

结论:

• 开发的混合方法为糖尿病视网膜病变阶段分类提供了一种高度有效和准确的方法.
• 这种人工智能驱动的方法对糖尿病患者的视力丧失的早期检测和预防具有重大潜力.
• 整合LBP,深度学习功能和元启发式优化显示为推进自动化DR查的前景.