相关实验视频
Updated: Jul 8, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
基于注意力的深度学习框架用于自动底部图像处理,以帮助糖尿病视网膜病变分级
Roberto Romero-Oraá1, María Herrero-Tudela2, María I López1
1Biomedical Engineering Group, University of Valladolid, Valladolid, 47011, Spain; Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Spain.
Computer methods and programs in biomedicine
|April 7, 2024
概括
这项研究引入了一种新的深度学习框架,用于糖尿病视网膜病变 (DR) 的分级,将黑暗和明亮的视网膜病变分开,以提高准确性和可解释性. 该方法产生可解释的注意力图,帮助临床医生在早期DR检测和诊断.
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:
- 检测糖尿病视网膜病变 (DR) 对于预防视力丧失至关重要,但手动分级是耗时的.
- 自动化DR分级系统往往难以同时检测不同类型的病变.
- 需要可解释AI (XAI) 来支持DR查中的临床决策.
研究的目的:
- 开发一个端到端的深度学习框架,自动将DR分为5个严重程度.
- 通过独立处理深色 (红色) 和明亮的视网膜病变来优化DR分类.
- 为临床医生提供可解释的注意力图,以加强诊断支持.
主要方法:
- 开发了一种新的注意力机制,分解视网膜图像以分别关注黑暗和明亮的结构.
- 该框架包括图像质量评估,数据增强,转移学习和微调.
- 使用Xception架构和焦点损失函数进行特征提取和处理数据不平衡.
主要成果:
- 拟议的方法实现了83.7%的准确性和0.78的平方加权卡帕在5类DR分级.
- 独立的注意力图被生成,区分红色病变 (例如,微动脉瘤,出血) 和明亮病变 (例如,硬排泄物).
- 这些注意力图为模型的预测提供了至关重要的解释能力.
结论:
- 开发的框架有效地自动化了糖尿病视网膜病变分级.
- 对不同类型的病变进行分离的注意力优化了分类性能.
- 生成的注意力图增强了视觉解释,将该方法定位为早期DR检测的有价值的诊断辅助.
