基于水平设置的自适应活性轮细分技术,具有糖尿病视网膜病变分类的长短期记忆
Ashok Bhansali1, Rajkumar Patra2, Mohamed Abouhawwash3,4
1Deptartment of Computer Engineering and Applications, GLA University, Mathura, India.
Frontiers in bioengineering and biotechnology
|January 3, 2024
概括
这项研究引入了一种新的基于水平设置的自适应活性轮细分 (LBACS) 方法,用于早期检测糖尿病视网膜病变 (DR). 该LBACS-LSTM模型实现了高精度,大大改善了现有的视力损失预防方法.
科学领域:
- 眼科和医学成像学
- 计算机视觉和机器学习
背景情况:
- 糖尿病视网膜病变 (DR) 是由于视网膜血管异常导致视力丧失的主要原因.
- 早期自动检测DR对于预防严重视力障碍至关重要.
研究的目的:
- 开发和评估一种有效的细分方法来检测糖尿病视网膜病变 (DR).
- 提高自动化DR选系统的准确性和效率.
主要方法:
- 开发了一种基于水平设置的自适应主动轮分割 (LBACS) 方法,其中包含了改进的边界指标函数 (LSMIBIF) 和自适应主动对应模型 (AACM).
- 预处理的图像使用高斯过器,边缘利,对比度和亮度增强.
- 使用灰色级别共发生矩阵 (GLCM),局部三元和二元模式提取的特征.
- 使用长短期内存 (LSTM) 网络进行分类的DR.
主要成果:
- 拟议的LBACS-LSTM模型在印度糖尿病视网膜病变图像数据集 (IDRiD) 上达到99.43%的高准确率,在糖尿病视网膜病变数据库1 (DIARETDB 1) 上达到97.39%的高准确率.
- 与DSA-KL,KN和CTSA-SAE等现有方法相比,表现出优异的性能.
- 细分方法有效地改善了边界条件和边缘检测.
结论:
- LBACS-LSTM模型为糖尿病视网膜病变检测提供了一个高度准确和有效的自动化方法.
- 这种方法在早期DR诊断和管理中显示出临床应用的巨大潜力.
- 这项研究强调了眼科中先进的图像处理和深度学习技术的有效性.
