评估图像质量对深度学习的影响 传染性角质炎的分类

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:

• 角膜是视力障碍的重要原因之一.
• 准确及时诊断细菌和真菌角膜炎对于有效治疗至关重要.
• 卷积神经网络 (CNN) 在分析医疗图像以检测疾病方面表现有前途.

研究的目的:

• 评估特定的角膜照片质量参数对CNN对角膜炎的诊断性能的影响.
• 确定哪些图像质量因素,如果有的话,会影响CNN对细菌和真菌角膜炎的预测.

主要方法:

• 一个接受了炎分类训练的CNN模特在照片上进行了测试.
• 图像根据5个质量参数进行了评估:视线方向,眼位置,曝光,聚焦和光反射.
• 使用ROC和精度回忆曲线量化CNN的表现;热图可视化了有影响力的地区.

主要成果:

• 当光反射或遮蔽眼存在时,CNN的性能显著提高.
• 没有其他经过测试的图像质量参数表明对CNN性能有重大影响.
• 梯度类激活热图表明,角膜透是CNN预测的主要焦点.

结论:

• 开发的CNN在诊断角膜炎方面表现出强大,专家级的性能,在很大程度上独立于常见的图像质量变化.
• 未来的研究应该探索基于智能手机的成像和数据集,具有更广泛的图像质量范围,以进一步验证CNN的性能.