一个适应式加权集体学习网络用于糖尿病视网膜病变分类.
Panpan Wu1, Yue Qu1, Ziping Zhao1
1College of Computer and Information Engineering, Tianjin Normal University, Tianjin, China.
Journal of X-ray science and technology
|January 13, 2024
概括
本研究引入了一种适应式加权集体学习方法,用于使用光学连贯断层扫描 (OCT) 图像早期检测糖尿病视网膜病变 (DR). 这种新的方法提高了检测准确度,特别是在不平衡的数据集中,以对抗失明.
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 (DR) 是全球导致失明的主要原因.
- 由于数据分布不平衡,自动早期DR检测面临着挑战.
- 光学连贯断层扫描 (OCT) 在DR诊断中对视网膜结构的可视化至关重要.
研究的目的:
- 提出一种自适应加权集体学习方法,以使用OCT图像增强DR检测.
- 为了应对在自动化DR检测中不平衡数据集的挑战.
- 提高DR查深度学习模型的整体性能和可靠性.
主要方法:
- 开发了一个集体学习模型,整合了三个先进的深度学习模型.
- 实施了一种基于贝叶斯理论的新决策融合方案,以动态调整模型重量.
- 利用关键评估指标来减轻不平衡数据大小的影响.
主要成果:
- 在DRAC2022数据集上实现了0.8487的二次加权卡帕和0.9343的准确性.
- 在APTOS2019数据集上获得0.9007的二次加权kappa和0.8956的准确性.
- 在OCT图像上显著提高了DR检测性能.
结论:
- 拟议的自适应加权合奏方法有效地提高了DR检测准确度.
- 基于贝叶斯的融合方案成功地缓解了数据不平衡造成的问题.
- 这种方法对可靠的糖尿病视网膜病变的自动早期检测充满希望.
