自动检测使用超宽场的虫照片和深度学习的虫
Bayram Mhibik1, Desire Kouadio2, Camille Jung2
1Department of Ophthalmology, Sorbonne Université, Pitié Salpêtrière University Hospital, Paris, France.
Retina (Philadelphia, Pa.)
|January 23, 2024
概括
一个深度学习算法有效地使用超广场成像检测炎,在识别疾病方面表现良好. 将炎严重程度分为三类是可以接受的,尽管六类分级需要进一步改进,需要更多的数据.
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:
- 视炎是尿膜炎的常见并发症,需要精确检测和分类.
- 当前的分级方法可能是主观的,耗时的.
- 超广场 fundus 图像的自动化分析提供了一个潜在的解决方案.
研究的目的:
- 评估一个深度学习算法用于自动检测和等级的玻璃炎.
- 为了评估算法在超宽场 fundus 图像上的性能.
主要方法:
- 一项横截面研究使用了1181张从膜炎患者的超广场 fundus 图像.
- 视炎的分级是使用SUN分类标准化视炎命名法 (SUN) 进行的.
- 一个DenseNet121卷积神经网络被用于分类.
主要成果:
- 该模型实现了高精度 (90%) 的炎检测,具有91%的灵敏度和89%的特异性.
- 外部验证显示检测准确度为78%.
- 评分准确性为6个类别的61%,提高到75%的三个类别和90%的一个等级的容忍度.
结论:
- 使用超广场成像的深度学习模型为检测玻璃炎提供了有效的工具.
- 该模型的性能可接受,用于将玻璃炎分为三种严重程度类别.
- 预计随着更大的数据集,六类分级准确度的进一步提高.
