相关实验视频
Updated: Jun 23, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
使用深度学习,CLAHE和ESRGAN提高糖尿病视网膜病变预后
Ghadah Alwakid1, Walaa Gouda2, Mamoona Humayun3
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakakah 72341, Al Jouf, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
这项研究开发了一种深度学习 (DL) 模型,用于从 fundus 图像中检测糖尿病视网膜病变 (DR),达到 98.36% 的准确性. 使用人工智能的早期DR检测可以帮助糖尿病患者挽救视力.
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) 是糖尿病患者失明的主要原因.
- 及时检测和治疗DR对于保护视力至关重要.
- 深度学习 (DL) 方法为改进DR分析提供了潜力.
研究的目的:
- 使用DL模型对糖尿病视网膜病变 (DR) 和其严重程度阶段进行分类.
- 在DR分类中评估图像增强技术的有效性.
- 为了利用APTOS 2019失明检测数据集进行DR分析.
主要方法:
- 一个深度学习 (DL) 模型,特别是DenseNet-121被用于DR分类.
- 使用数据增强技术创建了一个平衡的数据集.
- 应用了图像增强方法,包括增强的超分辨率生成对抗网络 (ESRGAN),直方图平衡 (HIST) 和对比度有限的自适应HIST (CLAHE).
主要成果:
- 拟议的DL模型在五个严重程度阶段实现了最高的98.36%的DR检测测试精度.
- 顶级2和顶级3准确度达到100%,表明高性能.
- 与其他方法相比,CLAHE + ESRGAN的组合在DR分类中表现出更高的有效性.
结论:
- 开发的DL模型显示了高精度检测和分级糖尿病视网膜病变从 fundus图像.
- 图像增强技术,特别是CLAHE + ESRGAN,显著提高了DR分类性能.
- 这种人工智能驱动的方法有望为早期和准确的DR诊断提供帮助,有助于维护视力.
