视网膜OCT的多阶段分类使用多尺度合集深度架构
Oluwatunmise Akinniyi1, Md Mahmudur Rahman1, Harpal Singh Sandhu2
1Department of Computer Science, School of Computer, Mathematical and Natural Sciences, Morgan State University, Baltimore, MD 21251, USA.
Bioengineering (Basel, Switzerland)
|July 29, 2023
概括
这项研究引入了一种新的多阶段分类网络,用于从光学连贯断层扫描 (OCT) 图像中诊断视网膜疾病. 先进的架构在分类各种疾病方面实现了高精度,改善了精准医学.
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:
- 准确的视网膜疾病的非侵入性诊断对于有效的治疗和个性化医学至关重要.
- 光学连贯断层扫描 (OCT) 是可视化视网膜结构的关键成像方式.
- 现有的方法可能会在视网膜图像中存在的各种特征尺度上扎.
研究的目的:
- 为视网膜图像分类提出一个多阶段分类网络,使用多尺度特征合体架构进行视网膜图像分类.
- 为了提高诊断各种视网膜疾病的准确性,包括糖尿病性黄斑胀 (DME),冠状腺新血管化 (CNV),与年龄相关的黄斑退化 (AMD) 和Drusen.
- 开发一个强大的系统,用于医疗图像分类任务的精确诊断.
主要方法:
- 一个适应规模的神经网络被开发出来,以产生多个规模的输入,用于特征提取和集体学习.
- 采用DenseNet作为骨干的功能丰富的金字塔架构,旨在提取多个规模的功能.
- 该网络在两个公共的OCT数据集上进行了评估,使用交叉验证进行绩效评估.
主要成果:
- 拟议的网络实现了高分类准确度:97.78% (二进制),96.83% (三类) 和94.26% (四类) 在第一个数据集上.
- 在第二个数据集上,该系统表现出色,总体准确率 (99.69%),灵敏度 (99.71%) 和特异性 (99.87%).
- 该架构有效地提取了对于精确诊断至关重要的规模不变特征.
结论:
- 开发的多阶段分类网络为视网膜图像分析中增强特征学习提供了显著的优势.
- 这种方法有可能改善广泛的视网膜疾病的非侵入性诊断.
- 该方法可适应各种医疗图像分类任务,需要尺度不变特征提取.
