DR-NASNet:使用改进的预训练NASNet模型检测和分类糖尿病视网膜病变严重性的自动化系统
Muhammad Zaheer Sajid1, Muhammad Fareed Hamid2, Ayman Youssef3
1Department of Computer Software Engineering, Military College of Signals (MCS), National University of Science and Technology, Islamabad 44000, Pakistan.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
检测糖尿病视网膜病变 (DR) 对于预防失明至关重要. 本研究介绍了DR-NASNet,这是一个使用改进的NASNet模型进行准确DR严重程度分类的自动化系统,达到96.05%的准确性.
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:
- 糖尿病是一种普遍的疾病,导致通过糖尿病视网膜病变 (DR) 导致严重的视力损伤.
- 糖尿病是糖尿病患者失明的主要原因,其特点是视网膜的不可逆转损伤.
- 早期发现和分类DR严重程度对于及时干预和管理至关重要.
研究的目的:
- 开发一个可靠的自动化系统,DR-NASNet,用于检测和分类糖尿病视网膜病变的严重程度.
- 使用增强的深度学习模型,提高DR分类的准确性和效率.
主要方法:
- 使用预训练的NASNet模型与密集块集成,用于DR严重性分类.
- 采用预处理技术 (本·格雷厄姆,CLAHE) 来提高图像质量和损伤重点.
- 应用数据增强以解决类不平衡,防止数据集过度匹配.
主要成果:
- 通过更小的模型大小和更少的复杂性,DR-NASNet系统实现了最先进的性能.
- 在五个严重程度的具有挑战性的DR数据集上实现了96.05%的高精度.
- 与现有方法相比,证明了模型性能和学习能力的提高.
结论:
- DR-NASNet系统为自动化DR严重程度分类提供了有效的解决方案.
- 这种自动化系统可以帮助眼科医生在糖尿病视网膜病变的早期检测和管理.
- 拟议的方法显示了通过及时诊断来改善患者结果的巨大潜力.
