URNet:基于深度学习的糖尿病视网膜病变社区查推转诊系统

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) 是可预防的失明的主要原因.
• 早期检测和治疗对于管理DR至关重要.
• 在社区中缺乏可访问的查,特别是在发展中国家,阻碍了及时的干预.

研究的目的:

• 开发一个自动化的深度学习系统来分类糖尿病视网膜病变的严重程度.
• 要区分推的糖尿病视网膜病变 (RWDR) 和非推的糖尿病视网膜病变 (NRDR).
• 解决在资源有限的环境中手动基金检查的局限性.

主要方法:

• 开发了一种两阶段,端到端的深度学习技术,称为URNet (UGAN_Resnet_CBAM).
• 第一阶段涉及使用UGAN进行特征提取的自适应图像预处理模块.
• 第二阶段增强了Resnet50与卷积块注意模块 (CBAM) 进行分类.

主要成果:

• URNet模型在DR严重性分类方面取得了很高的表现.
• 获得了NRDR的94.5%和RWDR的94.4%的精度.
• 实现了NRDR的96.2%和RWDR的91.9%的回忆率,优于现有方法.

结论:

• 拟议的URNet深度学习模型显示了自动检测糖尿病视网膜病变的巨大潜力.
• 这项技术可以提高查的可访问性和效率,特别是在服务不足的地区.
• 准确的DR分类有助于及时转诊和治疗,防止视力丧失.