基底图像分析的混合方法用于诊断基于融合特征的糖尿病视网膜病发育阶段
Mohammed Alshahrani1, Mohammed Al-Jabbar1, Ebrahim Mohammed Senan2
1Computer Department, Applied College, Najran University, Najran 66462, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了先进的人工智能方法,用于早期糖尿病视网膜病变 (DR) 检测,使用 fundus 图像. 一个混合深度学习模型实现了超过99%的准确性,改善了早期诊断和预防失明.
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) 是导致失明的主要原因,需要及时诊断.
- 从 fundus 图像进行手动的 DR 阶段测定是耗时的,需要专家眼科医生.
- 使用人工智能 (AI) 的自动化DR检测为高效分析提供了有前途的解决方案.
研究的目的:
- 开发和评估基于人工智能的方法,以准确地检测和分期糖尿病视网膜病变从 fundus 图像.
- 为了比较不同深度学习架构的性能和DR分类的特征提取技术.
主要方法:
- 提出了两种主要的人工智能方法: (1) 使用支持矢量机 (SVM) 的googLeNet和使用SVM的ResNet-18. (2) 采用混合特征的传送神经网络 (FFNN).
- 通过使用深度学习模型 (GoogLeNet,ResNet-18) 和传统图像处理技术 (模糊颜色基因图 - FCH,灰色水平共发生矩阵 - GLCM,局部二进制模式 - LBP) 的组合,提取混合特征.
主要成果:
- 所有提出的方法都在DR检测方面表现出卓越的性能.
- 通过利用ResNet-18,FCH,GLCM和LBP的混合特性,FFNN模型取得了卓越的结果:准确率为99.7%,精度为99.6%,灵敏度为99.6%,特异性为100%,AUC为99.86%.
结论:
- 该研究强调了人工智能的有效性,特别是混合深度学习方法,在糖尿病视网膜病变的 fundus 图像的自动化分析中.
- 拟议的FFNN模型显示了临床应用的巨大潜力,使得DR诊断和分期更快,更准确.
