DME-DeepLabV3+:一种基于DeepLabV3+架构的轻量级模型,用于糖尿病黄斑的提取
Yun Bai1, Jing Li1, Lianjun Shi2
1College of Information Science, Shanghai Ocean University, Shanghai, China.
Frontiers in medicine
|September 25, 2023
概括
一个新的轻量级模型,DME-DeepLabV3+,可以准确地从OCT图像中提取糖尿病黄斑胀 (DME). 这种人工智能模型可以改善糖尿病患者的视力障碍检测.
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:
- 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 光学一致性断层扫描 (OCT) 有助于早期检测DME,但图像质量的变化带来了提取挑战.
- 从OCT图像中精确有效地提取DME对于及时的临床管理至关重要.
研究的目的:
- 开发和评估一种轻量级的深度学习模型,用于精确地从OCT图像中提取DME.
- 在多样化和不稳定质量的OCT扫描中提高DME检测的准确性和效率.
主要方法:
- 一个新的DME-DeepLabV3+模型是使用DeepLabV3+架构设计的.
- 移动NetV2作为低级特征提取的支柱,一个改进的ASPP模块捕获了高级特征.
- 该模型在1711张来自公共和医院数据集的OCT图像上进行了训练和验证.
主要成果:
- 与标准DeepLabV3+相比,DME-DeepLabV3+表现优越,特别是在细分小瘤区域方面.
- 废弃性研究证实了MobileNetV2和改进的ASPP模块的有效性.
- 对比实验显示,DME-DeepLabV3+的表现优于FCN,UNet,PSPNet,ICNet和DANet,实现了高准确度的指标 (例如,98.71%的PA,91.18%的MIoU).
结论:
- 拟议的DME-DeepLabV3+模型为OCT成像中DME提取提供了一个强大的解决方案.
- 这种人工智能驱动的方法可以显著帮助眼科医生管理DME并预防视力障碍.
