DEC-DRR:糖尿病视网膜病变识别分类模型的深度组合

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) 影响大多数糖尿病患者,通常未被早期发现.
• 通过 fundus 图像进行手动的 DR 检测是耗时的,并且因患者数量不断增加而困难.

研究的目的:

• 开发一种新的基于集团的深度分类技术,用于自动检测糖尿病视网膜病变.
• 与传统方法相比,提高DR诊断的效率和准确性.

主要方法:

• 使用Wiener过器 (WF) 和基于U-Net的细分的图像预处理.
• 包括统计特征在内的特征提取,ISNT,CDR和LGBP.
• 深层组合分类器 (DEC) 包括CNN,Bi-GRU和DMN,使用鱼更新塔斯马尼亚魔鬼优化 (PU-TDO) 进行了优化.

主要成果:

• DEC + PU-TDO模型实现了高精度 (例如,在IDRID数据集上为0.975).
• 与现有模型相比,被证明的虚假阳性率 (FPR) 较低 (例如,SUSTech-SYSU数据集上的0.039).
• 成功识别了DR指标,如微动脉瘤,出血和排泄物.

结论:

• 拟议的深层组合方法为早期和准确的糖尿病视网膜病变检测提供了一个有希望的自动化解决方案.
• 这种技术可以显著帮助眼科医生管理DR并预防视力丧失.
• 该研究强调了人工智能在提高糖尿病常见并发症诊断能力方面的潜力.