DBPF-net:双分支的结构特征提取强化网络用于眼部表面疾病的图像分类
Cheng Wan1, Yulong Mao1, Wenqun Xi2
1College of Electronic Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, China.
Frontiers in medicine
|January 19, 2024
概括
通过PFM块 (DBPF-Net) 加强的新双分支网络从图像中准确诊断眼睛表面疾病,如膜和副膜出血. 这种人工智能模型显示出高准确度,有助于对这些常见眼睛疾病的临床决策.
科学领域:
- 眼科和医学成像AIAIAIAI
背景情况:
- 流和副结膜出血是普遍存在的眼睛表面疾病,导致患者的痛苦.
- 准确及时诊断对于有效的患者管理和治疗规划至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,用于对眼睛表面疾病的自动分类.
- 将拟议模型的性能与已建立的深度学习架构进行比较.
主要方法:
- 2855张眼睛表面图像的数据集被分为四个类别:正常,子结膜出血,可观察到的,和外科.
- 一个通过补丁合并和FReLU层 (PFM块) 加强的双分支网络被设计为四向分类器.
- 该DBPF-Net模型与VGG16,ResNet50,EfficientNetB7和Conformer模型进行了训练和验证.
主要成果:
- 该DBPF-Net的平均精度为0.9789和kappa系数为0.9681.1,该系数的平均精度为0.9789.
- 对于需要手术的肺,该模型显示了灵敏度 (0.9210),特异性 (0.9905),F1得分 (0.9292) 和AUC (0.9776).
- 该模型还显示了在诊断要观察的肺和子结膜出血时的高性能.
结论:
- 拟议的DBPF-Net模型提供了一种高度准确和可靠的方法,用于从图像中诊断常见的眼睛表面疾病.
- 这种人工智能驱动的诊断工具具有很大的临床应用潜力,可以提高这些疾病的识别能力.
