一个多领域的生物灵感特征提取和选择模型用于糖尿病视网膜病变严重程度分类:一个集体学习方法
Posham Uppamma1, Sweta Bhattacharya2
1School of Information Technology and Engineering, Vellore Institute of Technology, Vellore, Tamilnadu, 632014, India.
Scientific reports
|October 31, 2023
概括
早期发现糖尿病视网膜病变 (DR) 对于预防失明至关重要. 这项研究引入了一个先进的模型,使用生物灵感特征提取和集体学习来准确估计DR严重程度,达到96.5%的准确性.
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:
- 糖尿病视网膜病变 (DR) 是全球导致失明的主要原因.
- 早期检测和严重程度估计对于预防糖尿病患者视力丧失至关重要.
- 目前的方法需要改进,以便准确及时诊断DR.
研究的目的:
- 为糖尿病视网膜病变严重程度估计提出一个增强的生物启发多域特征提取和选择模型.
- 开发一个集体学习过程,以加强DR分类.
- 提高DR严重性评估的准确性和效率.
主要方法:
- 使用自适应值对关键视网膜特征 (光盘,斑点,血管,排泄物,出血) 的细分.
- 提取多域特征,包括频率,,等位数,加博和波量组件.
- 使用修改后的火焰优化算法进行最佳特征选择.
- 结合学习的算法,如天真贝叶斯,KNN,SVM,MLP,随机森林,和物流回归的DR严重性识别.
主要成果:
- 拟议的模型成功地对视网膜特征进行了细分,并提取了多域组件.
- 修改后的火焰优化算法有效地选择了最佳特征.
- 集体学习模型在识别DR严重程度方面取得了96.5%的高准确性.
- 该方法在对公共数据集的实验中表现优于传统方法.
结论:
- 开发的增强生物启发模型在估计糖尿病视网膜病变的严重程度方面表现出卓越的性能.
- 先进的特征提取,选择和集体学习的结合为早期DR检测提供了一个有前途的工具.
- 这种方法有可能显著帮助预防由糖尿病视网膜病变引起的失明.
