增强的深度学习模型用于分类视网膜光学一致性断层图像图像
Esraa Hassan1, Samir Elmougy2, Mai R Ibraheem3
1Faculty of Artificial Intelligence, Kafrelsheikh University, Kafrelsheikh 33516, Egypt.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
本研究引入了一种增强的光学连贯性断层扫描 (EOCT) 模型,用于准确的视网膜图像分类. 通过使用深度学习算法,EOCT模型显著提高了眼部疾病的诊断精度.
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:
- 视网膜光学连贯性断层扫描 (OCT) 对于诊断眼睛疾病和监测糖尿病等全身疾病至关重要.
- 准确的诊断和OCT图像的自动分析对于有效的临床实践至关重要.
- 现有的模型需要增强,以提高视网膜图像分类的特异性和性能.
研究的目的:
- 为分类视网膜OCT图像提出一个增强的光学连贯性断层扫描 (EOCT) 模型.
- 通过使用深度学习来提高视网膜图像自动化分析的性能.
- 为了在诊断各种视网膜疾病时获得更高的准确性.
主要方法:
- 开发一个增强的光学连贯性断层扫描 (EOCT) 模型.
- 使用修改后的ResNet (50) 架构与随机森林算法相结合进行分类.
- 在训练期间使用Adam优化器来提高ResNet (50) 模型的效率.
主要成果:
- EOCT模型实现了高性能指标,包括灵敏度 (0.9836),特异性 (0.9615),精度 (0.9747).
- 与VGG (16) 等预训练模型相比,该模型显示出更高的效率.
- 精度和马修的相关系数等关键性能指标也特别高,这表明了强大的分类能力.
结论:
- 拟议的EOCT模型在自动视网膜OCT图像分类方面取得了重大进展.
- 这种增强的模型有望提高眼科医学的诊断准确性和患者的治疗结果.
- 进一步的研究可以探索EOCT在临床工作流程中的整合,以实时检测疾病.
