基金Q-Net:一个回归质量评估深度学习算法用于基金图像质量分级.
Or Abramovich1, Hadas Pizem2, Jan Van Eijgen3
1The Faculty of Biomedical Engineering, Technion-IIT, Haifa, Israel.
Computer methods and programs in biomedicine
|June 7, 2023
概括
一个新的深度学习 (DL) 模型,FundusQ-Net,准确地估计了用于诊断眼睛疾病的眼底图像的质量. 这种自动化工具有助于更快,更可靠地检测诸如玻璃眼和糖尿病视网膜病变等疾病.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 眼科疾病,如玻璃眼瘤,糖尿病视网膜病变和与年龄相关的黄斑变性是导致视力丧失的主要原因.
- 准确的诊断依赖于高质量的 fundus 图像,需要自动化质量评估工具.
研究的目的:
- 开发一个新的 fundus 图像质量尺度.
- 创建一个深度学习 (DL) 模型,用于自动化基底图像质量估计.
主要方法:
- 一个DL回归模型 (Inception-V3) 使用来自六个数据库的89,947个 fundus 图像进行训练.
- 眼科医生对1245张图像进行了分级,剩下的图像用于预培训和半监督学习.
- 该模型,FundusQ-Net,在内部和外部测试集上进行了评估.
主要成果:
- 在FundusQ-Net的内部测试中,FundusQ-Net的平均绝对误差为0.61.
- 该模型在外部DRIMDB数据库上的二进制分类中显示了99%的准确性.
结论:
- 开发的算法为自动化基底图像质量分级提供了强大的解决方案.
- 这种工具可以提高诊断主要眼科病理的效率和可靠性.
