在色底图像中的出血诊断使用基于修改的U-Net的快速卷积神经网络
Rathinavelu Sathiyaseelan1, Krishnamoorthy Ranganathan2, Ramesh Ramamoorthy3
1Department of CSE, Arunai Engineering College, Thiruvanamalai, India.
Network (Bristol, England)
|February 12, 2024
概括
这项研究引入了一种先进的AI诊断工具,通过在 fundus 图像中识别视网膜出血来检测糖尿病视网膜病变. 增强的UNet模型实现了高精度,有助于早期诊断和减少眼科医生.
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:
- 糖尿病视网膜病变是视力丧失的主要原因,视网膜出血作为早期诊断标志物.
- 准确及时检测视网膜出血对于管理糖尿病视网膜病变和预防视力损伤至关重要.
研究的目的:
- 开发和验证一个增强的基于机器的诊断系统,用于检测视网膜出血在 fundus 图像.
- 使用更新的UNet框架,提高糖尿病视网膜病变诊断的准确性和效率.
主要方法:
- 更新的UNet卷积神经网络架构用于图像细分.
- 该模型使用IDRiD数据库进行训练,并在DIARETDB1和IDRiD数据集上进行验证.
- 使用图像预处理技术来提高数据质量和完整性,以改善细分.
主要成果:
- 增强的UNet模型实现了高性能指标:80%的灵敏度,99.6%的特异性和98.6%的准确性用于识别视网膜出血.
- 该系统表现出强大的细分能力,在欧盟 (IoU) 上的交叉点为76.61%,子系数为86.51%.
结论:
- 开发的AI系统显示了准确和高效的视网膜出血自动检测的巨大潜力.
- 这一进步可以大大帮助眼科医生诊断糖尿病视网膜病变,潜在地减轻工作负载并改善患者的治疗结果.
