在使用深度学习的视网膜底图像中诊断青光瘤的多步框架
Sanli Yi1,2, Lingxiang Zhou3,4
1School of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, 650500, China. 152514845@qq.com.
Medical & biological engineering & computing
|August 4, 2024
概括
这项研究介绍了MSGC-CNN,这是一个深度学习框架,用于从视网膜图像中改进眼查. 通过将原始 fundus 图像与被移除血管的光盘图像合并,它提高了诊断准确性.
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:
- 玻璃眼是全球导致失明的主要原因之一.
- 深度学习模型通常用于从视网膜底图像中对玻璃眼查.
- 光盘中的血管和光盘外的病理可以干扰基于深度学习的准确眼病诊断.
研究的目的:
- 提出一个新的多步骤框架,MSGC-CNN,用于增强青光眼的诊断.
- 通过将原始 fundus 图像与血管移除的光盘图像集成来提高诊断效率.
- 为了应对青光眼底部图像分析的挑战,包括有限的数据,高分辨率和丰富的功能信息.
主要方法:
- 开发了一个多步骤框架 (MSGC-CNN),将眼病理知识与深度学习相结合.
- 来自原始 fundus 图像和 U-Net 处理的,血管移除的光盘区域的特征被合并.
- 设计了一个新的特征提取网络 (RA-ResNet),并与转移学习相结合,以处理特定的图像特征.
主要成果:
- 在三个公共数据集上进行了二进制分类实验:Drishti-GS,RIM-ONE-R3和ACRIMA.
- 在MSGC-CNN框架中,Drishti-GS的准确率高达92.01%,RIM-ONE-R3的准确率高达93.75%,ACRIMA的准确率高达97.87%.
- 与之前的结果相比,提出的方法显示了显著的改进.
结论:
- 通过整合各种图像特征,MSGC-CNN框架有效地提高了青光眼的诊断.
- 这种新的方法成功地克服了传统深度学习方法在青光眼查中的局限性.
- 这些结果表明,使用医学成像和人工智能来自动检测青光眼的进展是有希望的.
