一个轻量级的糖尿病视网膜病变检测模型使用深度学习技术.
1Department of Documents and Archive, Center of Documents and Administrative Communication, King Faisal University, P.O. Box 400, Hofuf 31982, Al-Ahsa, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|October 14, 2023
概括
一个新的轻量级深度学习模型有效地使用 fundus 图像来评分糖尿病视网膜病变 (DR) 的严重程度. 该系统克服了计算成本和数据集不平衡,为广泛的临床使用提供了实际解决方案.
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) 是沙特阿拉伯普遍存在的一种严重的糖尿病并发症.
- 目前的DR检测系统在计算上昂贵,并且由于不平衡的数据集,容易产生假阳性.
- 需要高效,低资源的DR分级系统.
研究的目的:
- 开发一种轻量级的深度学习 (DL) 模型,用于DR严重程度分级.
- 解决现有系统中的高计算成本和数据集不平衡问题.
- 创建一个适合有限的计算资源和潜在的移动应用部署的系统.
主要方法:
- 图像预处理以处理 fundus 图像中的噪音和工件.
- 使用你只看一次 (Yolo) V7提取功能.
- 通过量身定制的量子海洋捕食者算法 (QMPA) 选择特征.
- 使用超参数优化的MobileNet V3模型进行严重性预测.
主要成果:
- 拟议的模型实现了高准确性 (在APTOS上为98.0%,在EyePacs上为98.4%) 和F1分数 (分别为93.7%和93.1%).
- 证明了计算复杂性的降低:参数,FLOP,学习率较低,培训时间较短.
- 在大型数据集上进行验证 (APTOS:5590张图像,EyePacs:35100张图像).
结论:
- 轻量级的DL模型为DR严重程度分级提供了有效的解决方案.
- 该系统的低计算要求使其能够在偏远地区和移动应用中使用.
- 未来的工作重点是从低质量的基金图像中增强DR检测.


