基于深度神经网络的眼睛疾病的识别转移学习和改进的DS证据理论
Fanyu Du1,2,3, Lishuai Zhao1, Hui Luo2,4
1School of Medical Imaging, North Sichuan Medical College, Nanchong, 637000, China.
BMC medical imaging
|January 18, 2024
概括
这项研究引入了一种改进的深度学习模型,用于检测多种眼病,比以前的方法更高的准确性和稳定性. 这种新的方法提高了眼科计算机视觉的诊断可靠性.
科学领域:
- 眼科和计算机视觉眼科和计算机视觉
- 医疗保健中的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 人类视觉作为计算机视觉进步的灵感.
- 沉默的眼睛疾病对视力构成重大威胁.
- 目前用于检测眼病的深度学习模型的范围有限,往往专注于一系列狭窄的条件.
研究的目的:
- 开发一个强大的深度学习模型,用于全面识别眼睛疾病.
- 为了提高精度和减少自动眼病检测中的偏差.
- 提高眼科诊断决策的效率和可信度.
主要方法:
- 利用转移学习用于训练和微调深度神经网络.
- 开发了一种改进的Dempster-Shafer理论 (ID-SET) 用于决策融合,以减轻模型偏差并提高可信度.
- 将ID-SET应用于眼病识别模型的决策融合.
主要成果:
- 合并网络实现了高性能指标:精度 (0.9237),卡帕 (0.878),F1得分 (0.914),精度 (0.945),回忆 (0.89),以及AUC (0.987).
- 与现有方法相比,证明了降低固有偏差和增强模型稳定性.
- 与该领域的可比研究相比,取得了优异的绩效指标.
结论:
- 拟议的深度神经网络模型显示,眼睛疾病识别的显著改善.
- 新的ID-SET决策融合方法提高了诊断预测的可靠性和准确性.
- 该模型有可能在临床眼科中广泛应用于早期和准确的眼病检测.
