一种用于医学图像处理的认知深度学习方法
Hussam N Fakhouri1, Sadi Alawadi2,3, Feras M Awaysheh4
1Department of Data Science and Artificial Intelligence, The University of Petra, Amman, Jordan.
Scientific reports
|February 24, 2024
概括
一个新的混合模型,认知深度学习视网膜血管细分 (CoDLRBVS),通过使用U-Net和图像处理精确细分视网膜血管来增强眼科诊断. 它为视网膜血管细分精度设定了一个新的基准.
科学领域:
- 眼科诊断 眼科诊断 眼科诊断
- 医疗图像处理 医学图像处理
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 准确的视网膜血管细分对于诊断眼睛疾病至关重要.
- 复杂的视网膜图像特征对现有的细分方法构成重大挑战.
- 现有的技术在复杂的场景中往往缺乏效率和精度.
研究的目的:
- 引入一种新的混合模型,即认知深度学习视网膜血管细分 (CoDLRBVS),用于精确的视网膜血管细分.
- 通过将深度学习与先进的图像处理相结合,提高细分的准确性和效率.
- 在视网膜血管细分性能上建立一个新的基准.
主要方法:
- 开发了CoDLRBVS,这是一个混合模型,将U-Net架构与图像处理技术相结合.
- 集成了一个匹配过器 (MF) 用于预处理和形态技术 (MT) 用于后处理.
- 在认知计算框架内集成多尺度线路检测和尺度空间方法.
主要成果:
- 实现了平均准确率为96.7%,精度为96.9%,灵敏度为99.3%,特异性为80.4%.
- 在多个数据集 (DRIVE,STARE,HRF,视网膜血管,Chase-DB1) 中表现出卓越的性能.
- 建立了一个新的基准,在视网膜血管细分方面超越了现有的模型.
结论:
- CoDLRBVS有效地克服了视网膜血管细分方面的挑战.
- 混合方法提供了类似人类的适应性和推理,以改善医疗图像分析.
- CoDLRBVS显示出在推进眼科诊断和医疗图像处理方面的巨大潜力.
