通过改进的卷积神经网络和改进的SVM,自动检测和分类高血压视网膜病变
Usharani Bhimavarapu1, Nalini Chintalapudi2, Gopi Battineni2
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram 522302, India.
Bioengineering (Basel, Switzerland)
|January 22, 2024
概括
这项研究引入了一种自动化系统,用于使用视网膜图像检测高血压视网膜病变 (HR) 的严重程度. 这种新的方法大大缩短了处理时间,并在人力资源阶段的分类中实现了高精度.
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:
- 高血压视网膜病变 (HR) 是全球可预防失明的主要原因,源于高血压引起的微血管视网膜变化.
- 从视网膜图像中自动检测和分级HR严重程度对于及时干预和视力保护至关重要.
研究的目的:
- 开发和评估一种自动化系统,用于识别和分类使用视网膜底图像的高血压视网膜病变的严重程度.
- 与现有模型相比,提高HR检测的计算效率.
主要方法:
- 开发了一个新的空间卷积模块 (SCM) 网络,集成跨通道和空间信息用于特征提取.
- 该模型在公开可用的数据集 (ODIR,INSPIREVR,VICAVR) 上进行了训练和验证,并对1200张 fundus 图像进行了数据增强.
- 用改进的支持矢量机 (SVM) 和K-近邻 (KNN) 分类器进行了HR严重程度的分类 (正常,轻度,中度,严重,恶性).
主要成果:
- 拟议的模型表明,由于卷积层只运行一次,因此减少了处理时间.
- 改进的SVM分类器在船只分类方面实现了最高准确率98.99%,在160.4秒内完成任务.
- 十倍的交叉验证产生了最高的准确率98.99%,超过了五倍的分类.
结论:
- 开发的自动化系统提供了一个计算效率高,准确的方法来检测和分类高血压视网膜病变的严重程度.
- 基于SCM的方法显示了临床应用在管理高血压相关的眼病的显著潜力.
- 通过改进的SVM和KNN分类器实现的高准确率强调了拟议方法的有效性.
