相关实验视频
Updated: Aug 13, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
监督对比学习与角边缘用于检测和分类糖尿病视网膜病变
Dongsheng Zhu1, Aiming Ge1,2, Xindi Chen1
1Academy for Engineering & Technology, Fudan University, Shanghai 200433, China.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
一种新的角边缘方法改善了从 fundus 图像对糖尿病视网膜病变 (DR) 诊断的深度学习. 这种方法提高了DR检测和分级的准确性,实现了最先进的结果.
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:
- 通过 fundus 图像进行糖尿病视网膜病变 (DR) 诊断对于预防视力损失至关重要.
- 深度学习,特别是监督对比学习 (SupCon),显示了智能DR诊断的前景.
- 现有的SupCon方法不区分增强和相同标签的阳性,限制了性能.
研究的目的:
- 引入和评估一个新的角度边缘概念,集成到SupCon中,以改进DR检测和分级.
- 为了解决当前SupCon方法在区分正样类型方面的局限性.
主要方法:
- 提出了角边缘概念,并将其纳入了监督对比学习框架.
- 在两个DR数据集上测试了增强的SupCon方法,用于检测和分级任务.
- 使用标准指标 (准确性,精度,回忆,F1,AUC),对齐,统一性和UMAP进行评估和可视化.
主要成果:
- DR检测实现了最先进的性能,准确率=98.91%,精度=98.93%,回忆=98.90%,F1=98.91%,AUC=99.80%.因此,DR检测可以实现最先进的性能,精度=98.93%,回忆=98.90%,F1=98.91%,AUC=99.80%.
- DR分级也取得了最先进的结果,精度=85.61%和AUC=93.97%.
- 角度边缘展示了有效的表示学习和改进的诊断能力.
结论:
- 拟议的角边缘策略显著提高了基于深度学习的糖尿病视网膜病变的智能医疗诊断.
- 与现有技术相比,这种方法在DR检测和分级方面提供了一种优越的方法.
- 角边缘代表了人工智能驱动的眼科诊断的宝贵进步.
