相关实验视频
Updated: Jul 25, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
在糖尿病视网膜病变中视网膜图像病变的微细分使用基于能量的模糊C-Means集群 (EFM-FCM)
Huma Naz1, Rahul Nijhawan2, Neelu Jyothi Ahuja1
1Department of Computer Science, University of Petroleum and Energy Studies, Dehradun, India.
Microscopy research and technique
|September 8, 2023
概括
一种新方法增强了糖尿病视网膜病变 (DR) 查,使用基于神经网络能量模型的 Fuzzy C-Means (FCM) 来提高视网膜图像分析的准确性. 这种自动化方法有助于早期DR检测和管理.
科学领域:
- 医疗图像分析 医学图像分析
- 眼科医生 眼科 眼科
- 医疗保健中的人工智能
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,需要准确和早期检测方法.
- 目前的诊断方法依赖于视网膜图像的微观分析,这可能耗时且需要专家解释.
- 自动查工具对于管理DR的日益普遍性和预防视力丧失至关重要.
研究的目的:
- 提出一种用于早期糖尿病视网膜病变 (DR) 查的新方法,使用增强的无监督学习技术.
- 通过将基于能量的神经网络模型集成到 Fuzzy C-Means (FCM) 算法中,提高自动化 DR 选的准确性和效率.
- 通过使用各种数据集,与现有技术对比,评估拟议方法的性能.
主要方法:
- 将基于能源的神经网络模型与模糊的C-Means (FCM) 算法集成,以改进收标准.
- 细分和无监督学习技术的应用,用于分析视网膜图像.
- 使用来自Shiva Netralaya Centre,IDRiD和DIARETDB1的数据集进行比较性性能评估,对FCM,EFCM,FLICM和M-FLICM进行准确性和执行时间的评估.
主要成果:
- 提出的方法实现了高准确率:在无噪声条件下达到99.03%,在有噪声的图像中达到93.13%.
- 展示了竞争中的平均执行时间为16.1秒.
- 在初级和二级数据集上表现出良好的表现,超过了现有的比较技术.
结论:
- 这种新的方法显著提高了自动化糖尿病视网膜病变查的准确性和效率.
- 该方法具有很大的潜力,可以在眼科中推进医学图像分析.
- 这种技术可以为改进自动化DR诊断和患者管理铺平道路.
