相关实验视频
Updated: Jul 19, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
使用融合提取特征和定制的CNN模型对彩色基底照片的分类
Jing-Zhe Wang1, Nan-Han Lu2,3, Wei-Chang Du1
1Department of Information Engineering, I-Shou University, No. 8, Yida Road, Jiao-Su Village, Yan-Chao District, Kaohsiung City 84001, Taiwan.
Healthcare (Basel, Switzerland)
|August 12, 2023
概括
这项研究提高了眼睛疾病的分类,使用深度学习在 fundus 图像. 一个定制的卷积神经网络 (CNN) 实现了高精度,在早期检测方面表现优于标准模型.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 从彩色眼底图片中对眼睛疾病进行分类,这给诊断带来了挑战.
- 深度学习为改善早期检测和诊断准确性提供了潜力.
研究的目的:
- 开发和评估深度学习模型,用于准确的眼睛疾病分类.
- 为了比较各种卷积神经网络 (CNN) 和定制 CNN 的性能.
- 研究将深度学习功能与经典机器学习分类器相结合的影响.
主要方法:
- 利用了17766张彩色基底照片的增强数据集,跨越八种疾病类别.
- 训练了五个已建立的CNN (efficientnetb0,mobilenetv2,shufflenet,resnet50,resnet101) 和一个自定义的17层CNN.
- 使用精度,卡帕系数和精度指标评估模型性能.
- 评估了将图像特征与经典分类器 (如物流回归) 融合的有效性.
主要成果:
- 定制的17层CNN实现了最高的性能,精度为0.930,卡帕系数为0.920.
- 效率netb0和shufflenet也表现出强大的分类能力.
- 图像特征与物流回归的融合进一步增强了分类性能.
结论:
- 深度学习模型,特别是定制的CNN,显示出精确的眼睛疾病分类的巨大潜力.
- 将深度学习与经典机器学习方法相结合,可以提高诊断性能.
- 建议对更大的数据集进行进一步验证,以评估现实世界的适用性.
