H-Deep-Net:一个深度混合网络与静止波束数据包转换通过 fundus 图像进行视网膜脱落分类
Sonal Yadav1, R Murugan1, Tripti Goel1
1Bio-Medical Imaging Laboratory (BIOMIL), Department of Electronics and Communication Engineering, National Institute Of Technology Silchar, Assam-788010, India.
Medical engineering & physics
|October 14, 2023
概括
一个新的混合AI模型使用 fundus 图像准确地检测视网膜脱落 (RD). 这种自动化方法具有高灵敏度和特异性,有助于早期诊断和治疗这种严重的眼睛疾病.
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:
- 自动化疾病诊断对于管理不断增长的全球人口至关重要.
- 视网膜脱落 (RD) 是一种严重的,急性眼部疾病,需要及时诊断.
- 早期发现RD至关重要,以最大限度地减少视力损失并改善患者的治疗结果.
研究的目的:
- 开发一种自动化,混合AI模型,用于早期检测视网膜脱落 (RD).
- 为了提高RD的诊断准确性和速度,使用视网膜底图像.
主要方法:
- 一种混合方法,结合了最佳基础静态波段数据包转换用于图像分析.
- 使用修改后的VGG19-双向长短期内存进行深度特征提取.
- 采用自适应增强技术来对提取的特征进行分类.
主要成果:
- 拟议的模型实现了高性能指标:99.67%的灵敏度,95.95%的特异性,98.21%的精度,97.43%的精度,98.54%的F1得分和0.9985的AUC.
- 该模型证明了在当前数据集上有效检测视网膜脱落.
- 结果表明,使用更大的数据集进一步增强的潜力.
结论:
- 开发的混合人工智能模型为视网膜脱落诊断提供了准确有效的自动化方法.
- 这种方法可以帮助眼科医生及时识别和治疗RD患者.
- 该模型对诊断眼部疾病的临床应用具有显著的前景.
