在使用预训练CNN和HWBLSTM的视网膜底图像中检测糖尿病视网膜病变的新型深度学习模型

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 (DR) 是全球导致失明的主要原因,需要早期检测和准确分类才能有效治疗.
• 由于图像的复杂性和可变性,手动DR检测具有挑战性,突出显示了对自动诊断工具的需求.

研究的目的:

• 开发和验证一种新的深度学习 (DL) 方法,即权重双向长期短期记忆 (HWBLSTM),用于自动检测和分类糖尿病视网膜病变.
• 通过先进的图像预处理,细分,特征提取和分类技术来提高DR诊断的准确性和效率.

主要方法:

• 使用混合高斯过器和基于函数的概率密度马校正 (HGFPDFGC) 进行预处理,以消除噪音和增强对比度.
• 细分涉及去除光盘和血管,随后使用基于增强的虫优化区域生长算法 (EGORGA) 进行病变细分.
• 在使用HWBLSTM进行分类之前,分别使用Squeeze Net (SQN) 和Modified Singular Value Decomposition (MSVD) 进行了特征提取和维度减少.

主要成果:

• 通过HWBLSTM方法,可以准确识别糖尿病视网膜病变 (DR) 阶段,包括非DR,非扩散性DR (NPDR),中度NPDR (MDNPDR) 和扩散性DR (PDR).
• 拟议的方法在APTOS和MESSIDOR数据集上实现了高精度,与现有方法相比,计算开销减少.

结论:

• 开发的HWBLSTM深度学习模型为糖尿病视网膜病变的自动检测和分类提供了一个有希望,高效和准确的解决方案.
• 这种自动化系统可以显著帮助临床医生在早期诊断和及时治疗DR,潜在地防止不可逆转的视力丧失.