相关实验视频
Updated: May 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
基于超广场底部图像的糖尿病视网膜病变分级的无源活性域适应
Jinye Ran1, Guanghua Zhang2, Fan Xia3
1College of Computer and Information Science, Southwest University, Chongqing 400700, China.
Computers in biology and medicine
|April 9, 2024
概括
一种新的无源主动域适应 (SFADA) 方法使用未注释的 fundus 图像提高了糖尿病视网膜病变分级的准确性. SFADA提高了数据隐私和模型效率,以改善临床诊断.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 眼科医生 眼科 眼科
背景情况:
- 糖尿病视网膜病变 (DR) 的分级通常使用域适应 (DA) 与未注释的 fundus 图像.
- 现有的DA方法面临着域差异的挑战,限制了DR分级性能.
- 临床诊断DR需要高准确度,目前的自动化方法难以匹配.
研究的目的:
- 提出一种新的无源主动域适应 (SFADA) 方法,用于增强DR分级.
- 通过解决 fundus 图像中的域差异来提高 DR 诊断精度.
- 通过排除源域数据来增强数据安全性和患者隐私.
主要方法:
- SFADA使用噪声从彩色基底图像中生成特征.
- 它通过局部表示匹配选择有价值的超广场 (UWF) 基底图像.
- 模型适应使用DR损伤原型进行,图像分辨率降低和直接DR等级关系建模.
主要成果:
- 与基线方法相比,SFADA显著提高了DR分级性能.
- 精度增加了20.90%至85.36%,二次加权卡帕增加了18.63%至92.38%.
- 该方法通过不使用源域数据来增强数据安全性和患者隐私.
结论:
- SFADA在DR分级准确性和效率方面取得了显著的改善.
- 拟议的方法提供了增强的数据安全性和患者隐私.
- 在糖尿病视网膜病变的诊断中,SFADA显示出对现实世界的临床应用有很大的潜力.
