一个可靠的糖尿病视网膜病变分级通过转移学习和组合学习与二次加权的卡帕度量度量度

科学领域:

• 眼科医生 眼科 眼科
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 糖尿病视网膜病变 (DR) 是糖尿病患者视力受损的主要原因,需要早期检测.
• 目前的诊断方法与微妙的早期DR症状作斗争.
• 目前用于DR分类的机器学习 (ML) 和深度学习 (DL) 模型在全面分级和计算效率方面存在局限性.

研究的目的:

• 为准确的糖尿病视网膜病变分级开发计算效率高的组合方法.
• 解决现有的DR分类模型的局限性,包括计算负载和无法分类所有阶段.
• 提出一个强大的DR分级系统,优先考虑正方形加权卡帕 (QWK) 度量,以提高诊断准确度.

主要方法:

• 利用预先训练的模型权重进行杆转移学习,以减少训练时间和资源需求.
• 采用数据增强技术来增强特征表示和模型概括.
• 使用CLAHE用于图像增强,高斯模糊用于降噪,以及具有dropout和ReLU激活的三层分类器.

主要成果:

• 在多个数据集上获得了最先进的方程加权卡帕 (QWK) 评分:0.901 (Eyepacs),0.967 (Aptos) 和0.944 (Messidor).
• 在DR分类中证明了计算效率高的组合方法的有效性.
• 验证了拟议模型在不同数据集中对糖尿病视网膜病变进行分级的稳定性和准确性.

结论:

• 提出的计算效率高的组合方法为准确和强大的糖尿病视网膜病变分级提供了有希望的方法.
• 优先考虑QWK指标可以提高对标签差异的诊断灵敏度,这对于DR评估至关重要.
• 这项研究有助于改善糖尿病视网膜病变的早期检测和管理,可能预防失明.