CLAHE-CapsNet:高效的视网膜光学连贯性断层扫描分类使用囊网络与对比度有限的适应性直方图平衡
Michael Opoku1, Benjamin Asubam Weyori1, Adebayo Felix Adekoya1
1Department of Computer Science and Informatics, University of Energy and Natural Resource, Sunyani, Ghana.
PloS one
|November 30, 2023
概括
这项研究引入了一种新的CLAHE-CapsNet模型,用于改进视网膜光学连贯断层扫描 (OCT) 图像分类. 这种新方法提高了检测眼病的准确性,帮助眼科医生.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 从光学一致性断层扫描 (OCT) 图像中手动检测眼睛疾病是费力和易出错的.
- 现有的深度学习模型,如卷积神经网络 (CNN),由于聚合操作而面临海外国家和地区的图像噪声和分辨率损失.
研究的目的:
- 对当前用于视网膜OCT图像分类的最先进方法进行全面的文献审查.
- 提出一种新的深度学习模型,CLAHE-CapsNet,用于增强视网膜OCT图像分类.
主要方法:
- 进行了一项文献审查,以确定视网膜OCT图像分类的现有方法.
- 开发了一个囊网络 (CapsNet) 模型,将对比度有限的自适应组图平衡 (CLAHE) 作为初始层来减少图像噪声.
- 一个三层卷积囊网络被设计和训练在一个大数据集 (84,495图像) 来自加州大学圣地亚哥分校 (UCSD).
主要成果:
- 拟议的CLAHE-CapsNet模型实现了高性能指标.
- 整体精度 (OA) 达到97.7%,整体灵敏度 (OS) 达到99.5%,整体精度 (OP) 达到99.3%.
- 该模型在分类性能方面超过了现有的最先进的方法.
结论:
- CLAHE-CapsNet模型展示了从OCT图像中准确有效地检测视网膜疾病的巨大潜力.
- 拟议的模型可以作为一个有价值的工具,以协助眼科医生在临床诊断.
- 通过CLAHE和囊网络架构减少噪音,有助于提高分类性能.
