一个基于深度学习的新智能系统可以在OCT图像中检测DME和AMD
Yassmine Gueddena1, Noura Aboudi2, Hsouna Zgolli3
1Laboratory of Biophysics and Medical Technologies, Higher Institute of Medical Technologies of Tunis, University of Tuins El Manar, 1006, Tunis, Tunisia.
International ophthalmology
|April 23, 2024
概括
这项研究开发了一种新的卷积神经网络 (CNN) 系统,用于分类光学连贯断层扫描 (OCT) 视网膜图像. 该系统准确识别与年龄相关的黄斑退化 (AMD) 和糖尿病黄斑胀 (DME),帮助早期诊断.
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:
- 光学连贯断层扫描 (OCT) 对于诊断视网膜疾病,如与年龄相关的黄斑退化 (AMD) 和糖尿病黄斑 (DME) 是必不可少的.
- 由于医疗图像的数量日益增加,自动化海外图像分析至关重要.
- 早期发现AMD和DME对于预防视力损失至关重要.
研究的目的:
- 引入一种使用卷积神经网络 (CNN) 的计算机辅助诊断 (CAD) 系统.
- 将OCT视网膜图像分为三个类别:AMD,DME和正常.
- 为了评估各种CNN模型的性能,用于自动化视网膜图像分析.
主要方法:
- 开发多个CNN模型,包括预训练VGG16,VGG19,Inception_V3,定制模型和混合 BCNN模型.
- 培训和评估DUKE公共数据集和突尼斯私人数据集上的模型.
- 利用CNN用于自动特征学习和视网膜病理的分类.
主要成果:
- 结合Inception_V3模型与自定义CNN功能,在DUKE数据集上实现了99.53%的准确性.
- 拟议的方法在两种数据集中对AMD,DME和正常OCT图像进行分类时表现出高效率和准确性.
- 这项研究强调了CNN在自动视网膜图像分类方面的潜力.
结论:
- 开发的CAD系统为网膜OCT图像的高效和自动分类提供了一个重要的工具.
- 这些发现支持使用人工智能驱动的诊断工具来早期检测糖尿病眼睛疾病.
- 这项研究有助于推进用于管理和预防视网膜疾病导致的视力损伤的非侵入性方法.
