基于CNN-SVD改进的支持矢量机器,用于危及视力的糖尿病视网膜病变的检测和分类

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:

• 糖尿病视网膜病变是全球视力障碍的主要原因.
• 对视网膜图像进行手动分析以诊断是耗时且容易出现错误的.
• 自动化技术,特别是人工智能,在提高诊断准确性和效率方面表现有前途.

研究的目的:

• 开发和评估一种新的AI驱动的方法,用于精确检测危及视力的糖尿病视网膜病变 (VTDR).
• 通过使用先进的图像分割和分类技术,提高糖尿病视网膜病变诊断的稳定性和准确性.
• 为改善医疗图像分析引入等级块注意力 (HBA) 和HBA-U-Net架构.

主要方法:

• 实施一项涉及数据预处理和特征提取的多阶段战略,使用混合卷积神经网络-单一值分解 (CNN-SVD) 模型.
• 利用等级块注意力 (HBA) 和HBA-U-Net架构进行精细的图像细分,专注于像素复杂性,空间关系和特定频道的注意力.
• 采用一个分类阶段,结合了改进的支持向量机-辐射基函数 (ISVM-RBF),决策树 (DT) 和K-最近邻居 (KNN) 算法.
• 对IDRiD数据集进行严格的测试,分为五个严重程度级别.

主要成果:

• 拟议的混合模型在IDRiD数据集上的VTDR检测方面取得了卓越的表现.
• 在检测危及视力的糖尿病视网膜病变时,获得了99.18%的准确性,98.15%的灵敏性和100%的特异性.
• HBA-U-Net架构展示了有效的图像处理与高效的计算需求.
• 在对多层IDRiD数据集的严格评估中表现优于现有方法.

结论:

• 这种新的人工智能驱动的方法,结合HBA-U-Net和混合分类方法,为诊断糖尿病视网膜病变提供了强大而精确的工具.
• 开发的系统在VTDR检测的准确性和特异性方面明显超过传统的手动分析和当前的自动化方法.
• 这一进步凸显了人工智能在眼科和医学诊断中的变革潜力,为改善患者治疗结果铺平了道路.