转移学习启用方法用于眼部疾病的检测和分类
Mahmood Ul Hassan1, Amin A Al-Awady1, Naeem Ahmed2
1Department of Computer Skills, Deanship of Preparatory Year, Najran University, Najran, 61441 Kingdom of Saudi Arabia.
Health information science and systems
|June 13, 2024
概括
新的深度学习模型Ocular Net能够准确地检测和分类白内障和绿内障等眼睛疾病,准确率为98.89%. 这一进步为各种眼部疾病提供了更好的诊断.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 计算机视觉用于疾病检测检测.
背景情况:
- 眼部疾病带来了诊断和治疗方面的挑战.
- 深度学习显示了眼科医学图像分析的前景.
- 准确有效地检测眼部疾病对于患者的治疗结果至关重要.
研究的目的:
- 推出Ocular Net,这是一个用于眼部疾病检测和分类的新型深度学习模型.
- 为了评估眼睛网络在眼睛图像的大数据集上的性能.
- 将Ocular Net的性能与眼部疾病诊断的现有方法进行比较.
主要方法:
- 使用了6200张眼睛图像的数据集,其中70%用于培训,30%用于测试.
- 开发了Ocular Net,包括转移学习,平均聚合,剪切的ReLU和泄漏的ReLU.
- 采用数据增强技术来提高模型性能并防止过度拟合.
主要成果:
- 眼睛网实现了98.89%的准确性,损失值为0.12%.
- 与以前的方法相比,该模型在检测和分类眼部疾病方面表现优越.
- 通过不同的培训/测试比率和参数来评估绩效.
结论:
- 眼睛网是用于诊断眼部疾病的高度准确和高效的深度学习模型.
- 该模型显示了提高临床眼病诊断的准确性和效率的巨大潜力.
- 进一步的研究可以探索眼睛网在眼科中的更广泛应用.
