基于卷积神经网络的海狮优化算法,用于检测和分类糖尿病视网膜病变

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) 是可预防失明的主要原因,损害视网膜血管.
• 早期发现DR对于预防不可逆转的视力丧失至关重要,但手动诊断耗时且容易出现错误.
• 现有的自动化DR检测模型经常存在准确性问题,高维度和计算复杂性.

研究的目的:

• 开发一个准确和高效的自动化系统来检测糖尿病视网膜病变.
• 解决当前DR检测模型的局限性,包括精度,数据处理和计算成本.
• 提出一种新的深度学习方法,通过视网膜底部图像对DR严重程度进行分类.

主要方法:

• 视网膜图像经过预处理,包括用于降低噪音的裁剪和使用修改的水平设置算法进行细分.
• 一个Aquila优化器用于从细分图像中提取特征.
• 为DR分类提出了一个卷积神经网络导向海狮优化 (CNN-SLO) 算法.

主要成果:

• 该CNN-SLO算法有效地将视网膜图像分为五类:健康,轻度,中度,严重和繁殖DR.
• 拟议的方法旨在克服现有的DR检测模型的缺陷.
• 在Kaggle数据集上的实验验证证明了系统的性能.

结论:

• 开发的CNN-SLO算法为准确和高效的糖尿病视网膜病变检测提供了一个有前途的解决方案.
• 这项研究强调了优化深度学习模型在医学图像分析中的潜力.
• 建议使用各种数据集和评估指标进行进一步的调查,以验证系统的稳定性.