区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区分区
Van-Nguyen Pham1, Duc-Tai Le2, Junghyun Bum3
1Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新方法,用于从超广场眼底图像 (UFI) 来分类多种眼病. 该方法使用特定的图像区域来提高眼科医生的诊断准确性.
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:
- 超广场底部成像 (UFI) 对于诊断视网膜疾病至关重要.
- 在UFI中对多种疾病进行分类是具有挑战性的,因为当前系统只关注单一疾病.
- 现有的方法往往无法利用疾病特异性特征进行更好的分类.
研究的目的:
- 在UFI中开发一个用于多标签眼病分类的自动化系统.
- 利用特定疾病感兴趣的区域来提高分类性能.
- 为眼科医生提供一个工具,以更快,更精确的诊断.
主要方法:
- 提出了一种新的方法,用于UFI的多标签分类.
- 利用了三个关键区域:光盘,斑点和整个UFI.
- 在5930个有6种常见眼病的UFI的数据集上训练和评估了该系统.
主要成果:
- 实现了卓越的性能,ROC曲线下的面积得分在95.07%至99.14%之间.
- 超越现有的最先进的方法,表现出高达5.29%的改进.
- 证明了使用特定疾病区域进行分类的有效性.
结论:
- 拟议的方法显著改善了UFI.眼病的多标签分类.
- 这种方法为眼科医生的早期和准确诊断提供了宝贵的支持.
- 这些发现有可能通过改善诊断能力来改善患者的治疗结果.
