微动脉瘤检测使用优化的残留时间注意力 卷积神经网络与 Inception-V3 转移学习
1Department of Computer Science, Shaqra University, Shaqra, Saudi Arabia.
Microscopy research and technique
|January 3, 2024
概括
这项研究引入了一种新的方法来检测微动脉瘤,使用一种名为MA-RTCNN-Inception V3-EOA的专用卷积神经网络 (CNN),在分类这些关键指标方面实现更高的准确性和更低的错误率.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 眼科 诊断 诊断 眼科 诊断
背景情况:
- 微动脉瘤是糖尿病视网膜病变的早期指标,需要准确的检测方法.
- 现有的微动脉瘤检测深度学习方法在准确性和错误率方面存在局限性.
- 自动检测系统对于及时诊断和管理糖尿病视网膜病变至关重要.
研究的目的:
- 为微动脉瘤检测提出和评估一个先进的深度学习框架.
- 提高识别微动脉瘤的准确性和降低分类错误率.
- 将拟议方法的性能与现有的最先进技术进行比较.
主要方法:
- 一个新的微动脉瘤检测框架 (MA-RTCNN-Inception V3-EOA) 集成基于剩余的时间注意力卷积神经网络 (CNN) 与Inception-V3转移学习,通过平衡优化算法 (EOA) 优化.
- 使用引导框过进行图像预处理,以增强对比度和排除背景.
- 细分和分类阶段使用拟议的RTCNN算法来准确识别疾病.
主要成果:
- 与DRD-CNN-NPDR (23.56%更高) 和MAFPN-AMD-MAFP-Net (14.99%更高) 相比,提出的MA-RTCNN-Inception V3-EOA方法的准确性明显更高.
- 实现了对分类错误率的大幅降低:比DRD-CNN-NPDR低31.26%,比MAFPN-AMD-MAFP-Net低57.69%.
- 该框架在各种评估指标上表现强,包括精度,灵敏度,f-测量,特异性和马修斯相关系数,并通过RoC分析进一步验证.
结论:
- 拟议的MA-RTCNN-Inception V3-EOA框架为微动脉瘤检测提供了一个高度有效和准确的解决方案.
- 这种先进的深度学习方法明显优于现有方法,为改善糖尿病视网膜病变的早期诊断铺平了道路.
- 时间注意力CNN,转移学习和优化算法的集成为眼科医学图像分析提供了强大的工具.
