一种新的方法来自动分类黄斑变性图像OCT图像
Shilong Pang1, Beiji Zou1,2, Xiaoxia Xiao3
1School of Informatics, Hunan University of Chinese Medicine, Changsha, 410208, Hunan, China.
Scientific reports
|August 20, 2024
概括
一个新的深度学习模型,MSA-Net,有效地将光学连贯性断层扫描 (OCT) 图像分类为与年龄相关的黄斑变性 (AMD) 和糖尿病黄斑 (DME). 这种先进的模型可以改善早期诊断这些盲目的视网膜疾病.
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:
- 与年龄相关的黄斑变性 (AMD) 和糖尿病黄斑 (DME) 是全球失明的主要原因,由于人口老龄化,患病率越来越高.
- 早期诊断和预防对于管理这些视网膜疾病至关重要.
- 光学连贯断层扫描 (OCT) 图像分类有助于评估视网膜损伤,但在特征提取和突出位置信息方面面临挑战.
研究的目的:
- 开发一种先进的深度学习模型,用于准确地分类斑点退行症OCT图像.
- 解决特征提取的局限性以及在现有的海外国家和地区图像分类方法中位置特征的突出地位.
主要方法:
- 提出了MSA-Net,这是一个深度学习神经网络,包含多尺度架构和空间注意力机制.
- 多尺度架构使用深度可分离的卷积来实现跨尺度的全面特征提取,并减少参数增长.
- 空间注意力机制增强了OCT图像中关键斑点区域特征的表示.
主要成果:
- 在NEH数据集上,MSA-Net实现了高性能,98.1%的准确性,97.9%的灵敏性和98.0%的特异性,用于三类分类 (CNV,DURSEN,NORMAL).
- 在对UCSD数据集进行了微调后,该模型显示了96.7%的准确性,96.7%的灵敏性和98.9%的特异性,用于四个类别的分类 (CNV,DURSEN,DME,NORMAL).
- 实验结果显示,与现有和近期的OCT分类模型相比,分类性能和概括能力优越.
结论:
- MSA-Net提供了一种高度竞争力的人工智能方法来对黄斑变性分类.
- 该模型的多尺度架构和空间注意力机制有效地克服了OCT图像分析中的挑战.
- 这些发现支持MSA-Net在改善视网膜致盲疾病的早期诊断和管理方面的潜力.
