相关实验视频
Updated: Jul 6, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
视网膜疾病诊断使用超宽场底图像的深度学习
Toan Duc Nguyen1, Duc-Tai Le2, Junghyun Bum3
1Department of AI Systems Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
这项研究表明ResNet152深度学习模型有效地使用超广场眼底成像 (UFI) 检测眼睛疾病. 自动化系统实现了96.47%的AUC,帮助眼科医生进行诊断.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超广场眼底成像 (UFI) 提供了眼睛结构的全面可视化.
- 眼部疾病的准确诊断依赖于详细的 fundus 检查.
- 深度学习为医疗图像的自动化分析提供了机会.
研究的目的:
- 通过使用UFI来研究深度学习模型在检测眼睛疾病方面的有效性.
- 开发用于处理和分析UFI数据的自动化系统.
- 为此任务比较各种深度学习架构的性能.
主要方法:
- 使用4697张UFI图像的数据集开发了一个自动化系统.
- 应用了图像增强技术 (亮度,对比度).
- 使用具有特征提取,数据增强和转移学习的卷积神经网络 (CNN).
- 评估了五种模型 (ResNet152,视觉变压器,InceptionResNetV2,RegNet,ConVNext).这些模型包括:
主要成果:
- ResNet152的表现最高,曲线下的面积 (AUC) 为96.47% (95% CI:0.931-0.974).
- 包括信心分数和热图在内的可视化被生成来解释模型预测.
- 该系统成功地在医学图像中识别了病变的焦点.
结论:
- ResNet152对于UFI的自动眼病检测非常有效.
- 开发的系统简化了诊断,并提供了详细的预测见解.
- 结合深度学习的UFI显示了眼科应用的巨大潜力.
