使用可变形梯子对糖尿病视网膜病变的自动严重程度分类Bi注意力U-net和深度自适应CNN
1Department of Electronics and Communication Engineering, Udaya School of Engineering, Vellamodi, India. phd.binnyjebadurai01@yahoo.com.
Medical & biological engineering & computing
|June 20, 2023
概括
通过新的深度学习系统DLBUnet-DACNN,糖尿病视网膜病变 (DR) 诊断得到了改进,通过底部图像来分类DR严重性的高精度. 这种自动化系统有助于医疗保健专业人员在糖尿病患者的早期检测和视力保护.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 深度学习用于医学诊断
背景情况:
- 糖尿病视网膜病变 (DR) 是工作年龄成人视力丧失的主要原因,需要早期诊断.
- 目前的DR严重程度分级方法面临挑战,包括图像质量变化,复杂的特征提取和过度配合,导致错误分类错误.
- 自动化系统对于帮助医疗保健专业人员进行准确的DR诊断和管理至关重要.
研究的目的:
- 开发一种先进的深度学习模型,使用 fundus 图像进行准确可靠的糖尿病视网膜病变严重程度分类.
- 通过改进病变细分和特征提取来解决现有方法的局限性,以提高诊断准确度.
- 提供一个自动化工具,帮助眼科医生及时诊断和管理DR.
主要方法:
- 提出了一种新的可变形梯子双重注意力U形编码器解码器网络和深度自适应卷积神经网络 (DLBUnet-DACNN).
- DLBUnet模型包含可变形的卷积,用于增强病变形状学习,梯子外形空间金字塔聚合 (LASPP) 用于特征增强和全球上下文,以及双注意层,用于精确的轮和边缘检测.
- DACNN组件从细分结果中提取歧视性特征,用于最终的DR严重程度分类.
主要成果:
- 拟议的DLBUnet-DACNN模型在多个数据集 (Messidor-2,Kaggle,Messidor) 中实现了高性能.
- 关键性能指标包括准确性 (98.2%),回忆力 (0.987),卡帕系数 (0.993),精度 (0.98),F1得分 (0.981),MCC (0.93) 和CSI (0.96).
- 该方法在DR严重程度分类中与现有方法相比显示出优异的结果.
结论:
- DLBUnet-DACNN模型为糖尿病视网膜病变严重程度分类提供了可靠和准确的自动化解决方案.
- 提出的深度学习架构有效地克服了以前方法的局限性,提高了诊断能力.
- 这种系统有潜力在早期发现和管理DR中显著有助于,从而在糖尿病患者中保持视力.
