部署高效的净批量规范化 (BNs) 来根据 fundus 图像对糖尿病视网膜病变的严重程度进行分级
Summiya Batool1, Syed Omer Gilani1, Asim Waris1
1National University of Sciences and Technology, Islamabad, 44000, Pakistan.
Scientific reports
|September 2, 2023
概括
这项研究使用深度学习模型增强了糖尿病视网膜病变 (DR) 的检测. 改进的方法获得了高的F1分数,为早期诊断和预防失明提供了有前途的解决方案.
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) 是全球导致失明的主要原因.
- 通过查早期检测至关重要,但由于无症状的早期阶段,具有挑战性.
- 糖尿病患病率的增加需要有效的DR检测系统.
研究的目的:
- 为了提高糖尿病视网膜病变检测深度学习模型的准确性和F1分数.
- 利用预训练的EfficientNet模型与批量规范化 (BNs) 来从基底图像中提取特征.
- 为了提高这些模型的性能,使用数据增强和高斯平滑过器.
主要方法:
- 使用预先训练的EfficientNet BNs来自动从 fundus图像中提取特征.
- 应用高斯平滑过器和数据增强技术来提高模型性能.
- 对EYE-PACS和DeepDRiD数据集的模型进行了评估.
主要成果:
- 在所有EfficientNet BNs的EYE-PACS数据集上获得了80%以上的F1分数.
- 在应用高斯平滑过器和数据增强后,证明了更好的准确性和F1分数.
- 在EYE-PACS获得了84%的最终F1分数,在DeepDRiD获得了87%.
结论:
- 提出的深度学习方法,将EfficientNet BNs与数据增强和过相结合,显著提高了糖尿病视网膜病变的检测.
- 这些改进的方法超过了以前的研究结果,为早期DR诊断提供了更有效的工具.
- 这些发现支持先进的人工智能技术在大规模查计划中的潜力,以打击与DR相关的视力损失.
