RD-OCT net:来自OCT视网膜图像的黄斑疾病自动诊断的混合学习系统
A Jeya Prabha1, C Venkatesan2, M Sameera Fathimal1
1Department of Biomedical Engineering, College of Engineering and Technology, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu-603203, Tamil Nadu, India.
Biomedical physics & engineering express
|February 9, 2024
概括
这项研究引入了一种新的AI模型,视网膜疾病OCT网 (RD-OCT),用于自动从OCT扫描中分类常见的视网膜疾病. 轻量级的RD-OCT模型实现了高精度,有助于更快地诊断诸如黄斑等疾病.
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:
- 黄斑是眼底疾病中视力丧失的主要原因.
- 光学连贯断层扫描 (OCT) 对于诊断黄斑疾病至关重要,因为它具有非侵入性和高分辨率.
- 手动检测视网膜疾病是耗时且具有挑战性的,因为复杂的病理变化和液体积累.
研究的目的:
- 提出一个轻量级的混合学习模型,视网膜疾病OCT网络 (RD-OCT),用于自动分类视网膜疾病.
- 减少用于检测视网膜疾病的深度学习模型中可训练参数的数量.
- 使用OCT成像,使主要视网膜疾病的多类分类成为可能.
主要方法:
- 一个混合学习视网膜疾病OCT网络 (RD-OCT) 的开发.
- 利用混合学习模型与预训练的深度学习模型相结合.
- 应用RD-OCT模型对新血管与年龄相关的黄斑变性 (nAMD),糖尿病黄斑胀 (DME),视网膜静脉封闭 (RVO) 和正常视网膜状况的多类分类.
主要成果:
- RD-OCT模型实现了高诊断准确度:97.6%的nAMD,98.08%的DME,98%的RVO,以及97%的正常病例.
- 曲线下的面积 (AUC) 值为0.99 (nAMD),0.97 (DME),1.0 (RVO) 和0.99 (正常).
- 该模型在减少可训练参数数量的情况下表现出卓越的性能.
结论:
- RD-OCT模型提供了一种高效准确的方法,用于自动分类主要视网膜疾病.
- 该系统的简单性和降低的参数数量使其成为眼科医生的宝贵工具.
- 这种人工智能驱动的方法可以帮助及时诊断和管理流行视网膜疾病.
