相关实验视频
Updated: Jul 15, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
使用基于深度学习的视网膜底部照片进行脑血管疾病的非侵入性和准确的风险评估
Lin An1, Jia Qin1, Weili Jiang2
1Guangdong Weiren Meditech Co., Ltd, Foshan, Guangdong, China.
Frontiers in neurology
|September 25, 2023
概括
本研究介绍了一种使用视网膜底部照片进行非侵入性脑血管疾病 (CeVD) 风险预测的高效注意力模型. 该模型准确评估CeVD风险,提供方便,低成本的查解决方案.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 医疗成像医学成像
背景情况:
- 脑血管疾病 (CeVD) 是全球死亡和残疾的主要原因.
- 视网膜微血管变化与CeVD有关.
- 对视网膜图像进行手动分析,以确定CeVD风险是低效的.
研究的目的:
- 开发一种针对脑血管疾病 (CeVD) 的非侵入性风险预测模型.
- 利用视网膜底部摄影进行准确的CeVD风险评估.
- 改进现有的检测脑血管风险的方法.
主要方法:
- 提出了一种新的高效注意力模型,集成卷积神经网络和注意力机制.
- 应用该模型来分析视网膜底图像的脑血管风险因素.
- 将模型的性能与ResNet和Efficient-Net等传统架构进行了比较.
主要成果:
- 有效的注意力模型实现了0.834±0.03的精度 (ACC),表现比效率-网高3.6%.
- 该模型显示,接收器操作特征曲线 (AUC) 下的改善面积为0.904±0.02,超过其他方法的2.2%.
- 该模型有效地加强了基金照片中的突出特征,以加强风险评估.
结论:
- 高效注意力方法为脑血管风险评估提供了准确和有效的工具.
- 视网膜底部摄影显示出预测CeVD的巨大潜力.
- 这种方法为大规模CeVD查提供了一种非侵入性,方便和低成本的方法.
