在视网膜微动脉瘤检测的 fundus 图像上基于弹性反向传播机器学习的分类.
1Department of Computer Science, Nesamony Memorial Christian College Affiliated to Manonmaniam Sundaranar University, Abishekapatti, Tirunelveli, Tamil Nadu, 627012, India. steffis992@gmail.com.
International ophthalmology
|February 17, 2024
概括
这项研究引入了一种新的非侵入性方法,用于通过 fundus 扫描检测视网膜微动脉瘤. 该方法实现了高精度,有助于早期糖尿病视网膜病变的诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 糖尿病视网膜病变的早期检测依赖于识别视网膜微动脉瘤.
- 传统的视网膜学与微动脉瘤的小尺寸和差差分化作斗争.
- 光素血管造影可以提高检测能力,但对于例行查来说过于侵入性.
研究的目的:
- 开发一种新的,非侵入性的方法,通过 fundus 图像检测视网膜微动脉瘤.
- 为了利用基于循环参考的形状特征 (CR-SF) 和基于辐射梯度的纹理特征 (RG-TF).
主要方法:
- 从候选微动脉瘤中提取CR-SF和RG-TF.
- 使用反向传播机器学习算法进行训练.
- 从测试图像中比较提取的特征来分类微动脉瘤的存在.
主要成果:
- 该方法在四个不同的数据集 (MESSIDOR,Diaretdb1,e-ophtha-MA,ROC) 上进行了评估.
- 实现了高性能指标:98.01%的准确性,98.74%的灵敏性,97.12%的特异性和91.72%的AUC.
- 证明了自动化微动脉瘤检测的重大潜力.
结论:
- 提出的基于 fundus 扫描的方法可以有效检测视网膜微动脉瘤.
- 这种非侵入性技术提供了高精度和灵敏度.
- 这种方法对例行糖尿病视网膜病变查和相关疾病有希望.
