转移学习驱动的组合模型用于检测糖尿病视网膜病变的疾病
Brijesh Kumar Chaurasia1, Harsh Raj2, Shreya Singh Rathour2
1Department of Computer Science and Engineering, Pranveer Singh Institute of Technology, Kanpur, UP, India. brijeshchaurasia@ieee.org.
Medical & biological engineering & computing
|June 9, 2023
概括
本研究介绍了一种使用转移学习用于糖尿病视网膜病变 (DR) 检测的集合模型. 该模型在从视网膜扫描中识别DR阶段时达到98%的准确性,改进了现有方法.
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:
- 糖尿病视网膜病变 (DR) 是由糖尿病引起的眼睛疾病,导致视力损伤和潜在的失明.
- 从医学专家的 fundus 图像中手动诊断 DR 是耗时且容易出错的.
- 使用计算机视觉的自动检测方法对于早期和准确的DR诊断至关重要.
研究的目的:
- 开发和评估使用转移学习自动检测糖尿病视网膜病变的整体模型.
- 与现有方法相比,提高DR诊断的准确性和效率.
- 利用深度学习模型来分析视网膜底部图像.
主要方法:
- 使用六种深度学习卷积神经网络 (CNN) 模型开发了一个整体模型:DenseNet-169,VGG-19,ResNet101-V2,Mobilenet-V2和Inception-V3.
- 使用转移学习 (TL),利用在大型图像数据集上预训练的模型.
- 实施了数据预处理策略,以提高模型准确性和降低培训成本.
主要成果:
- 拟议的整体模型在检测糖尿病视网膜病变阶段方面达到高达98%的高精度.
- 该模型在相同的数据集上显示出与现有方法相比更高的性能.
- 该研究使用视网膜扫描的自动化分析成功确定了糖尿病视网膜病变的阶段.
结论:
- 开发的基于转移学习的集合模型为自动检测糖尿病视网膜病变提供了高度准确和高效的解决方案.
- 这种方法可以帮助早期诊断和管理DR,并可能预防视力丧失.
- 这些发现突显了深度学习和计算机视觉在推进眼科诊断方面的潜力.
