3-LbNets:三标记深层卷积神经网络用于对玻璃眼镜,玻璃眼镜疑似和无玻璃眼镜在 Fundus 图像中的自动查

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 玻璃眼是全球不可逆转的失明的主要原因.
• 眼科医生的有限可用性和耗时的临床诊断阻碍了早期的青光眼的检测.
• 需要自动选工具来提高可访问性和效率.

研究的目的:

• 开发和验证一种深度学习模型,用于使用全球基底图像进行自动化玻璃眼查.
• 为了准确地将图像分为"没有青光眼"",怀疑青光眼"和"青光眼"的类别.
• 建立一个强大的查网络,以减轻绿眼的影响.

主要方法:

• 开发一个三标记深卷积神经网络 (3-LbNets).
• 该模型从三个标签模式中提取特征,并通过人工神经网络 (ANN) 处理它们.
• 使用206张眼底图像进行验证,眼科医生一致同意,使用178张难度图像获得多数同意.

主要成果:

• 达到了高AUC值:98.66% (没有青光眼),97.54% (怀疑青光眼) 和97.19% (青光眼) 在一致同意的图像上.
• 在困难图像上的可信的AUC值: 80.80% (没有青光眼),69.52% (怀疑青光眼),和82.74% (青光眼).
• 在3-LbNets模型中证明了整体方法的有效性.

结论:

• 3-LbNets模型提供了一种有效且稳健的方法,用于通过 fundus 图像进行 DrDeramus 查.
• 这种人工智能驱动的方法可以优化查,减少临床负担,并有助于预防视力丧失.
• 开发的网络在识别可疑的青光眼患者和管理疾病方面表现有前途.