相关实验视频
Updated: Jun 24, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
使用基于综合特征的深度学习,预测糖尿病视网膜病变发育阶段的 fundus 图像
Ahlam Shamsan1, Ebrahim Mohammed Senan2, Hamzeh Salameh Ahmad Shatnawi1
1Computer Department, Applied College, Najran University, Najran, Saudi Arabia.
PloS one
|October 20, 2023
概括
人工智能通过分析 fundus 图像来帮助早期糖尿病视网膜病变 (DR) 诊断. 一个人工神经网络 (ANN) 模型使用放射性特征来预测DR进展,实现了高精度.
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) 构成了重大的公共卫生挑战,原因是患者人数不断增加.
- 早期诊断至关重要,以防止DR进展到晚期和失明.
- 手动DR诊断是劳动密集型,易出错,并受到专家间的变化.
研究的目的:
- 开发和评估人工智能 (AI) 方法,用于早期诊断和预测糖尿病视网膜病变 (DR) 的进展.
- 为了比较DR图像分析中不同特征提取和选择方法的有效性.
- 为了利用深度学习和手工制作的功能来改进DR检测.
主要方法:
- 开发了三种人工智能方法,利用DenseNet-121和AlexNet从色底图像中提取特征.
- 图像增强和对比度调整应用于所有图像.
- 主要组件分析 (PCA) 用于特征选择和维度减少.
- 人工神经网络 (ANN) 用于使用选定的特征,集成特征和放射性特征进行DR预测.
主要成果:
- 该研究评估了来自DenseNet-121和AlexNet的低维特征,集成特征和放射性特征的ANN.
- 第三种方法,使用具有放射性特征的ANN (CNN提取和手工制作的特征,如DWT,LBP,FCH,GLCM),显示出优异的性能.
- 具体来说,AlexNet模型与手工制作的功能相结合,实现了97.92%的灵敏度,99.56%的AUC,99.1%的精度,99.4%的特异性和99.06%的精度.
结论:
- 人工智能技术,特别是利用放射性特征的ANN,显示出对准确和早期检测糖尿病视网膜病变进展的重大前景.
- 深度学习功能与传统手工制作功能的整合提高了诊断性能.
- 这些人工智能驱动的方法可以帮助临床医生进行及时和可靠的DR诊断,从而降低视力丧失的风险.
