相关实验视频
Updated: Jul 12, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
HDR-EfficientNet:使用优化EfficientNet架构对高血压和糖尿病视网膜病的分类
Qaisar Abbas1, Yassine Daadaa1, Umer Rashid2
1College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh 11432, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
一种新的深度学习方法,HDR-EfficientNet,使用视网膜图像有效检测高血压视网膜病变 (HR) 和糖尿病视网膜病变 (DR). 这种先进的分类器显示出高准确度,有助于早期诊断和预防失明.
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:
- 高血压视网膜病变 (HR) 和糖尿病视网膜病变 (DR) 是导致失明的主要原因,与高血压和糖尿病有关.
- 目前用于HR和DR的计算机辅助检测 (CAD) 方法通常使用传统的机器学习,需要复杂的图像处理并提供有限的应用.
- 早期识别和评估HR对于预防视力丧失至关重要.
研究的目的:
- 引入HDR-EfficientNet,这是一个深度学习 (DL) 模型,用于高血压视网膜病变 (HR) 和糖尿病视网膜病变 (DR) 的有效和准确检测.
- 利用EfficientNet-V2架构,关注空间通道,并转移学习以提高分类性能.
- 通过集成密集层来增强特征选择能力.
主要方法:
- 开发了使用EfficientNet-V2骨干进行端到端疾病分类的HDR-EfficientNet.
- 整合了一个空间通道注意力机制,以精确确定视网膜损伤并区分疾病.
- 利用转移学习来解决不平衡的数据集和改善模型概括,并增加了密集层来进行特征选择.
主要成果:
- 在超过36000张增强视网膜底图像上进行评估,实现了高性能指标.
- 证明曲线下的平均面积 (AUC) 为0.98.
- 报告的特异性 (SP) 为96%,准确性 (ACC) 为98%,对于HR和DR检测的灵敏度 (SE) 为95%.
结论:
- 该HDR-EfficientNet模型提供了一个高度准确和高效的基于深度学习的方法来诊断高血压视网膜病变和糖尿病视网膜病变.
- 该方法有效地分类HR和DR,为临床诊断和管理提供了重要的支持.
- 这种DL方法克服了传统方法的局限性,为改善眼部护理铺平了道路.
