CSDNet:一种新的深度学习框架,用于改进白内障状态检测
Lahari P L1, Ramesh Vaddi1, Mahmoud O Elish2,3
1Department of Electronics and Communication Engineering, SRM University AP, Andhra Pradesh, India.
Diagnostics (Basel, Switzerland)
|May 24, 2024
概括
一个新的深度学习模型,CSDNet,有效地以高精度检测白内障状态. 这种轻量级的框架非常适合实时应用程序和资源有限的设备.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在全球范围内,白内障是导致视力障碍和失明的主要原因.
- 当前的诊断方法在速度和可访问性方面面临挑战.
- 深度学习为改进自动检测提供了潜力.
研究的目的:
- 为检测白内障状态开发一个轻量级和可适应的深度学习框架.
- 为了降低计算成本,并实现实时或近实时推断.
- 为了提高白内障诊断的准确性和效率.
主要方法:
- 使用眼病智能识别 (ODIR) 数据库进行培训和测试.
- 开发了具有较小内核和较少参数的白内障状态检测网络 (CSDNet).
- 将CSDNet的表现与VGG19,ResNet50和EfficientNet B0.0等既有模型进行了比较.
主要成果:
- 实现了97.24%的二进制分类准确度 (正常与白内障).
- 在检测四个白内障状态时达到98.17%的准确性.
- CSDNet是一个轻量级的17 MB模型,具有175,617个可训练参数和212 ms的运行时间.
结论:
- CSDNet为白内障检测提供了一个高度准确和高效的解决方案.
- 该模型的轻量级设计使其适用于资源有限的环境.
- CSDNet非常适合实时的眼科查和诊断.
