糖尿病视网膜病变的智能分级:基于智能建议的精细调整的EfficientNetB0框架
Vatsala Anand1, Deepika Koundal2,3, Wael Y Alghamdi4
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Frontiers in artificial intelligence
|May 2, 2024
概括
使用EfficientNetB0的新型深度学习模型有助于从 fundus图像中早期检测糖尿病视网膜病变. 这种自动化系统实现了高精度,协助眼科医生及时诊断并防止视力丧失.
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,在早期阶段通常无症状.
- 自动化DR检测对于及时干预和预防失明至关重要.
- 深度学习为分析医疗图像 (如 fundus 照片) 提供了有希望的解决方案.
研究的目的:
- 开发和评估基于智能推的微调EfficientNetB0模型,用于准确诊断糖尿病视网膜病变.
- 将拟议模型的性能与其他转移学习模型 (ResNet152,VGG16,DenseNet169) 进行比较.
- 提高眼科医生的早期检测能力,减少医疗保健负担.
主要方法:
- 使用转移学习方法,使用预训练的EfficientNetB0模型,为DR分类进行微调.
- 采用Kaggle.com的公开可用的数据集,其中包括3,200张 fundus 图像.
- 将微调的EfficientNetB0模型与ResNet152,VGG16和DenseNet169.9进行了比较.
主要成果:
- 微调的EfficientNetB0模型实现了最高的精度 (0.91),优于其他模型.
- 而DenseNet169则以0.90.9的准确度进行了跟踪.
- 拟议的模型在准确性,回忆力,精度和F1分数方面展示了最先进的性能.
结论:
- 基于智能推的微调EfficientNetB0模型为糖尿病视网膜病变的诊断提供了高度准确和高效的方法.
- 这种人工智能驱动的系统可以显著帮助眼科医生在早期DR检测和管理.
- 这种方法有可能改善患者的治疗结果,并减轻医疗保健系统的压力.
