使用ResNet-18-YOLOv8模型定位和分类NPDR病变,并根据转移学习选择DR分类的信息特征
Javaria Amin1, Irum Shazadi1, Muhammad Sharif2
1Department of Computer Science, University of Wah, Wah Cantt, Pakistan.
Heliyon
|May 23, 2024
概括
这项研究引入了一种新的AI方法,用于早期检测糖尿病视网膜病变 (DR). 该系统准确地定位,细分和分类DR病变,改善视力损失的预防.
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) 是由于糖尿病并发症导致视力丧失的主要原因.
- 早期发现DR对于及时干预和预防不可逆转的视力损伤至关重要.
- 计算机化方法为自动化DR检测提供了有希望的解决方案.
研究的目的:
- 开发和评估一种新的,多模型的人工智能系统,用于糖尿病视网膜病变的自动检测和分级.
- 提高DR病变识别和分类的准确性和效率.
主要方法:
- 设计了三种模式的方法:病变定位,语义细分和分类.
- 定位使用了预先训练的ResNet-18和YOLOv8模型的组合.
- 分段和分类采用了优化的深度学习模型 (Efficientnet-b0) 和遗传算法 (GA).
主要成果:
- 细分模型实现了高性能,平均IOU得分在不同损伤类型 (OD,SoftExs,HardExs,HAE,MAs) 中从0.94到0.96不等.
- 该分类模型表现出卓越的性能,在分类非增殖性糖尿病视网膜病变 (NPDR) 病变方面达到98%以上的准确性.
- 拟议的方法在DR检测准确度方面表现优于之前的方法.
结论:
- 开发的AI系统有效地定位,细分和分类糖尿病视网膜病变的病变.
- 拟议的多模型方法显示了改善早期DR检测和管理的巨大潜力.
- 这种由人工智能驱动的方法为眼科医生提供了一种有前途的工具,用于打击与糖尿病相关的视力损失.
