相关实验视频
Updated: Jun 22, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
一个计算机辅助的诊断系统来识别糖尿病视网膜病变,利用一个修改的紧卷积变压器和低分辨率图像来减少计算时间.
Inam Ullah Khan1, Mohaimenul Azam Khan Raiaan2, Kaniz Fatema1
1Health Informatics Research Lab, Department of Computer Science and Engineering, Daffodil International University, Dhaka 1207, Bangladesh.
Biomedicines
|June 28, 2023
概括
使用DR-CCTNet模型的自动化系统准确地分类了糖尿病视网膜病变 (DR) 的严重程度. 这种人工智能方法为早期DR检测提供了强大而高效的解决方案,帮助眼科医生并改善患者的治疗结果.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 糖尿病视网膜病变 (DR) 是全球糖尿病患者失明的主要原因.
- 目前的DR查方法是劳动密集型和耗时的,需要专家眼科医生.
- 早期诊断和治疗对于管理DR和预防视力丧失至关重要.
研究的目的:
- 开发一种用于糖尿病视网膜病变严重程度分类的自动化系统.
- 通过人工智能驱动的解决方案克服手动DR查的局限性.
- 为了提高DR检测的效率和准确性.
主要方法:
- 开发了一个新的DR-CCTNet模型,修改了紧卷积变压器 (CCT) 以获得大数据集和效率.
- 五个数据集被组合成一个由53,185张图像组成的大数据集.
- 应用图像预处理和12种增强技术来提高数据质量和数量.
主要成果:
- 在对糖尿病视网膜病变进行分类时,DR-CCTNet模型实现了90.17%的测试准确度.
- 性能强,即使使用低像素和有限的图像集,也显示出高精度.
- 拟议的模型显著优于已有的转移学习模型,如VGG19,ResNet50,VGG16和MobileNetV2.
结论:
- 该DR-CCTNet模型为自动化糖尿病视网膜病变分类提供了一种新,准确和高效的方法.
- 这种人工智能方法有可能减少眼科医生的工作量.
- 该系统有望加速患者的治疗,改善整体DR管理.

