优化了糖尿病视网膜病变严重程度的自动检测:集成了改进的多门突尼群算法和改进的混合蝶优化
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram, Vijayawada, Andhra Pradesh India.
Health information science and systems
|August 15, 2024
概括
本研究引入了一种自动化方法,用于检测糖尿病视网膜病变 (DR) 使用 fundus 图像. 这种新的算法准确地分类DR严重程度,有助于早期检测和预防视力丧失.
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:
- 糖尿病视网膜病变 (DR) 是导致糖尿病相关高血糖症导致的视力损伤和失明的主要原因.
- 早期检测和管理对于预防视力丧失至关重要,DR被分为五个严重程度阶段.
- 视网膜底图像的自动分析为有效的DR查提供了一个有希望的方法.
研究的目的:
- 开发和验证一个自动化算法,使用视网膜底图像准确地分类糖尿病视网膜病变的严重程度.
- 增强图像细分和特征选择流程,以提高诊断性能.
- 为了利用先进的优化算法来实现强大的DR检测.
主要方法:
- 提出了一个自动化的DR检测系统,集成图像细分和特征选择技术.
- 采用了改进的衣群算法 (ITSA) 与Renyi的力进行细分.
- 使用改进的混合蝶优化 (IHBO) 算法进行特征选择.
- 在IDRiD和E-Optha视网膜底部图像数据集上验证了算法.
主要成果:
- 在IDRiD数据集上实现了高性能,98.06%的细分Dice系数和98.21%的分类精度.
- 在E-Optha数据集上取得了出色的结果,达到97.95%的细分率和99.96%的分类准确率.
- 证明了该算法在准确分类糖尿病视网膜病变严重程度水平方面的有效性.
结论:
- 拟议的自动化方法显示了糖尿病视网膜病变的早期和准确检测的巨大潜力.
- 整合ITSA和IHBO算法提高了DR分类的适应性和效率.
- 这种方法可以通过及时诊断和干预,有助于减少与糖尿病有关的失明.


