基于人工智能的玻璃眼和糖尿病视网膜病变检测使用MATLAB - 重新训练的AlexNet卷积神经网络
Isaac Arias-Serrano1, Paolo A Velásquez-López1, Laura N Avila-Briones1
1School of Biological Sciences and Engineering, Universidad Yachay Tech, Urcuquí, Imbabura, 100119, Ecuador.
F1000Research
|June 3, 2024
概括
使用卷积神经网络 (CNN) 自动检测玻璃眼和糖尿病视网膜病变显示出高准确度. 使用重新训练的AlexNet CNN进行视网膜图像分析,为早期疾病识别提供了一个有前途的工具.
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:
- 玻璃眼和糖尿病视网膜病变 (DR) 是不可逆转失明的主要原因.
- 通过定期查及早检测至关重要,以防止疾病的进展.
- 视网膜底部成像是这些疾病的主要诊断方法.
研究的目的:
- 提出一个由MATLAB重新训练的AlexNet卷积神经网络 (CNN) 来自动识别青光眼和糖尿病视网膜病变.
- 评估拟议模型与其他CNN架构的性能.
- 将Grad-CAM分析纳入用于可视化模型预测.
主要方法:
- 视网膜底部图像被用来通过转移学习训练一个AlexNet CNN.
- 该模型经过训练,将图像分类为非疾病,青光眼和糖尿病视网膜病变等类别.
- 基准测试使用ResNet50和googleNet架构进行.
主要成果:
- 经过重新训练的AlexNet CNN在分类眼睛疾病方面实现了93.2%的验证准确率.
- 基准测试显示,与ResNet50 (93.8%) 和GoogleLeNet (90.4%) 的性能相当.
- 各种配置的验证准确度在89.7%至94.3%之间.
结论:
- 一个通过 MATLAB 重新训练的 AlexNet CNN 从视网膜图像中有效检测出眼光障碍和糖尿病视网膜病变.
- 使用CNN的自动检测工具对于早期疾病识别至关重要.
- CNNs提供了可访问的解决方案,以补充现有的诊断技术.


