相关实验视频
Updated: May 5, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
一种用于智能诊断和分级糖尿病视网膜病变的新方法
Zeru Hai1, Beiji Zou2, Xiaoxia Xiao1
1School of Informatics, Hunan University of Chinese Medicine, Changsha, Hunan Province, 410208, China.
Computers in biology and medicine
|March 12, 2024
概括
糖尿病视网膜病变分级由DRGCNN模型改进,该模型解决了不平衡的数据,并使用两只眼睛进行更准确的视力威胁糖尿病眼病的分类.
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) 是导致视力丧失的主要原因.
- 目前的深度学习模型与不平衡的DR数据集扎,并且不利用双眼信息.
- 这限制了自动化DR分级系统的准确性.
研究的目的:
- 为糖尿病视网膜病变分级开发一个改进的深度学习模型.
- 为了解决数据不平衡,并将双眼 fundus 图像纳入用于增强分类.
- 创建一个更具竞争力和准确的自动化DR检测系统.
主要方法:
- 提出了DRGCNN (DR分级CNN) 模型,其中包含了一个CAM-EfficientNetV2-M编码器.
- 实施了功能地图的平衡策略,以减轻阶级不平衡.
- 整合了两只眼睛的 fundus 图像,以便在训练期间进行特征融合.
主要成果:
- 在EyePACS数据集上获得了86.62%的kappa值.
- 在Messidor-2数据集上实现了86.16%的kappa值.
- 与具有较少参数的现有模型相比,DRGCNN模型表现出更高的性能.
结论:
- 该DRGCNN模型有效地解决了数据不平衡,并利用双眼信息进行准确的DR分级.
- 该模型在基准数据集上显示出卓越的性能,使其成为DR分类的竞争性工具.
- 拟议的方法促进了糖尿病视网膜病变的自动检测.
