多尺度学习与稀缺的残留网络用于在OCT图像中的可解释的多疾病诊断
Phuoc-Nguyen Bui1, Duc-Tai Le2, Junghyun Bum3
1Department of AI Systems Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Bioengineering (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了一种新的深度学习方法,用于从光学连贯断层扫描 (OCT) 图像中诊断多种眼病. 该方法实现了高精度,改善了复杂的视网膜疾病的早期检测和治疗计划.
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:
- 光学连贯断层扫描 (OCT) 提供高分辨率,生物组织的非侵入性成像.
- 深度学习优于通过OCT图像来诊断单个视网膜疾病.
- 目前的方法在临床OCT扫描中难以诊断多种疾病.
研究的目的:
- 开发一种有效的深度学习方法,用于在OCT图像中诊断多种疾病.
- 提高疾病预测模型的辨别能力和可解释性.
- 为了减少模型复杂性,同时保持高诊断性能.
主要方法:
- 采用多尺度学习 (MSL) 方法,从不同尺寸的OCT图像中提取和融合特征.
- 实施了稀疏残余网络 (SRN),以更小的核取代大型卷积核,以减少复杂性.
- 综合的多尺度稀少残留网络在OCT数据集上进行了培训和评估.
主要成果:
- 拟议的多尺度稀疏残余网络实现了97.40%的准确性,95.38%的灵敏性和98.25%的特异性.
- 该方法显著优于现有的多病诊断方法在OCT图像中.
- 实验结果表明了改进和解释诊断系统的潜力.
结论:
- 开发的多尺度稀少残留网络为在OCT成像中进行多种疾病诊断提供了强大的解决方案.
- 这种方法提高了诊断的准确性和可解释性,有助于临床决策.
- 这些发现为眼科中更先进,更易于解释的AI系统铺平了道路.
