使用人工智能技术检测视网膜疾病的混合模型
Ahmed M Salaheldin1,2, Manal Abdel Wahed1, Neven Saleh2,3
1Systems and Biomedical Engineering Department, Faculty of Engineering, Cairo University, Giza, Egypt.
Biomedical physics & engineering express
|July 2, 2024
概括
使用光连贯断层扫描 (OCT) 和机器学习的自动化方法准确地分类视网膜疾病. 这种方法增强了早期检测疾病,如糖尿病黄斑,减少诊断错误.
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:
- 全球视力障碍的患病率正在上升.
- 对视网膜疾病的准确及时诊断至关重要.
- 目前的诊断方法可能耗时,容易出现人为错误.
研究的目的:
- 开发一个自动化的框架,使用光学连贯断层扫描 (OCT) 图像来分类视网膜疾病.
- 为了比较各种机器学习和深度学习模型的性能,用于视网膜疾病的分类.
- 提高诊断条件的效率和准确性,例如胆管新血管化,糖尿病黄斑胀和干燥.
主要方法:
- 提出了一个结合机器学习和深度学习的新框架.
- 使用InceptionV3卷积神经网络作为特征提取器.
- 使用的分类器包括支持向量机 (SVM),K-最近邻居 (K-NN),决策树 (DT) 和集合模型 (EM).
- 评估使用了18,000张OCT图像的数据集.
主要成果:
- 自动化系统为所有测试模型实现了高分类准确度.
- 支持矢量机 (SVM) 实现了99.43%的准确性.
- K-最近的邻居 (K-NN) 实现了99.54%的准确性.
- 决策树 (DT) 的准确率达到了97.98%.
- 组合模型 (EM) 实现了99.31%的准确性.
结论:
- 拟议的方法为自动识别和分类视网膜疾病提供了一个有希望的方法.
- 这种自动化系统有可能在诊断中显著减少人类错误.
- 该框架可以在临床实践中节省大量时间,促进早期治疗.
