一种用于常见 fundus 疾病的辅助诊断工具,基于 fundus 彩色摄影和轻量级分类模型
Jin-Da Wang1, Mei-Rui Liu2, Mei-Ling Liu3
1Beijing Tongren Eye Center, Beijing Tongren Hospital, Capital Medical University, Beijing, China.
概括
轻量级的神经网络提供快速,准确的诊断的常见的底部疾病,如糖尿病视网膜病变 (DR) 和眼光障碍,与传统模型相比,存储需求减少.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习模型越来越多地用于医学图像分析.
- 像ResNet152和DenseNet121这样的经典模型是有效的,但计算密集.
- 轻量级模型为更快,更有效的分析提供了潜力.
研究的目的:
- 评估和比较两个轻量级神经网络模型 (MobileNetV3,ShufflenetV2) 与两个经典模型 (ResNet152,DenseNet121) 的诊断性能.
- 评估这些模型在使用彩色底部摄影诊断常见底部疾病时的效率和准确性.
主要方法:
- 收集了16000张彩色 fundus 图像,其中包括7种常见疾病 (青光眼,糖尿病视网膜病变等). 和正常的图像.
- 图像被两个专业眼科医生诊断和标记.
- 四个模型 (ResNet152,DenseNet121,MobileNetV3,ShufflenetV2) 被训练并使用AUC,灵敏度,特异性和精度进行评估.
主要成果:
- 轻量级模型 (MobileNetV3,ShufflenetV2) 显示大小显著减少,参数较少,分类速度更快.
- ShufflenetV2的诊断速度比DenseNet快50.7%.
- 经典模型通常表现优于轻量级模型,DenseNet121在大多数情况下显示最高的AUC,但轻量级模型提供了令人满意的性能.
结论:
- 训练轻量级神经网络在疾病诊断的 fundus 摄影是快速有效的.
- 与传统方法相比,这些模型在存储大小和参数数量上提供了显著的减少.
- 轻量级模型可以实现常见底部疾病的令人满意的诊断准确性.
更多相关视频
10:11Fundus Photography as a Convenient Tool to Study Microvascular Responses to Cardiovascular Disease Risk Factors in Epidemiological Studies
Published on: October 22, 2014
19.2K
07:11Assessing Early Stage Open-Angle Glaucoma in Patients by Isolated-Check Visual Evoked Potential
Published on: May 25, 2020
6.4K
