糖尿病视网膜病变的自动检测和分类,使用卷积神经网络中改进的聚合功能
Usharani Bhimavarapu1, Nalini Chintalapudi2, Gopi Battineni2,3
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram 522302, India.
Diagnostics (Basel, Switzerland)
|August 12, 2023
概括
一个改进的深度学习模型从视网膜图像准确地诊断出糖尿病视网膜病变 (DR). 这种自动化方法提高了早期检测,预防糖尿病患者的失明.
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.
- 早期诊断DR对于有效治疗和维护视力至关重要.
- 深度学习为自动化和高效的DR选提供了潜力.
研究的目的:
- 开发一个改进的卷积神经网络 (CNN) 模型,用于自动化DR诊断.
- 为了提高DR检测从 fundus图像的准确性和效率.
- 为了减少DR分类中的计算复杂性和处理时间.
主要方法:
- 使用了一种增强的ResNet-50模型,该模型包含了改进的聚合功能和激活功能.
- 该模型应用于视网膜底部图像,用于自主检测病变.
- 培训和测试是在两个公开可用的数据集上进行的:APTOS和Kaggle.
主要成果:
- 提议的增强型ResNet-50模型在DR检测中实现了高精度.
- 在APTOS数据集上记录了98.32%的准确率,在Kaggle数据集上记录了98.71%.
- 该模型与现有的最先进的方法相比,表现出更高的性能.
结论:
- 开发的深度学习模型显示了对准确和高效的自动化DR诊断的重大前景.
- 改进的聚合和激活功能有助于减少损失和处理时间.
- 这种方法可以帮助早期检测DR,并可能预防糖尿病患者的失明.


