使用基于遗传算法的图像选择和残余神经网络检测角膜

科学领域:

• 眼科医生 眼科 眼科
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 角膜是一种严重的眼睛疾病,导致永久的视力丧失.
• 目前用于角膜的诊断方法有限.
• 深度神经网络 (DNN) 显示出疾病分类的前景,但需要大量的数据.

研究的目的:

• 通过使用有限的数据集,提高预训练DNN用于角膜检测的分类性能.
• 解决医疗图像分析应用的深度学习模型中冗余特征的问题.

主要方法:

• 在一个小规模的角膜数据集上使用预先训练的DNN (例如ResNet) 进行转移学习.
• 开发了一种新的技术,使用遗传算法 (GA) 来系统地选择和删除DNN层中的冗余特征.
• 测试了GA增强的ResNet模型与经典方法对比.

主要成果:

• 提出的基于GA的特征选择方法显著改善了ResNet对角膜的分类性能.
• 该技术有效地减少了DNN层中的冗余性,从而在有限的数据中获得更高的准确性.
• 与传统分类方法相比,取得了更好的结果.

结论:

• 用GA增强的DNN方法为准确检测角膜提供了一个有希望的解决方案,特别是在处理小数据集时.
• 这种方法提供了一种更有效和有效的方式,以利用眼科的深度学习.
• 系统地删除冗余功能对于优化DNN在医疗应用中的性能至关重要.