相关实验视频
Updated: May 11, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
优化深度CNN用于检测和分类糖尿病视网膜病变和糖尿病黄斑胀
V Thanikachalam1, K Kabilan2, Sudheer Kumar Erramchetty3
1School of Computer Science & Engineering, Vellore Institute of Technology, Chennai, India. thanikachalam.v@vit.ac.in.
BMC medical imaging
|August 28, 2024
概括
早期发现糖尿病视网膜病变 (DR) 和糖尿病黄斑胀 (DME) 对于预防视力丧失至关重要. 这项研究提出了一种自动化图像处理方法,用于准确的DR/DME分级,达到97.91%的准确性.
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:
- 糖尿病视网膜病变 (DR) 和糖尿病黄斑 (DME) 是导致糖尿病患者视力受损的主要原因.
- 早期发现和分类DR/DME对于及时治疗和预防视力损失至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 开发和验证一种自动化图像处理方法,用于准确分类糖尿病视网膜病变和糖尿病黄斑.
- 用先进的计算技术提高DR/DME检测的效率和准确性.
主要方法:
- 视网膜底部图像使用离散波纹转换 (DWT) 进行预处理以提高质量.
- 基于人工神经网络 (ANN) 的细分用于精确的病变检测.
- 特性提取使用了自适应式加博过器 (AGF),功能选择使用随机森林 (RF) 进行.
- 深度卷积神经网络 (CNN) 分类器性能得到了RF的改进,群算法 (CSA) 优化了分类器权重.
主要成果:
- 拟议的自动化系统在确定DR/DME等级时达到97.91%的高精度.
- 结合DWT,ANN,AGF,RF,CNN和CSA的组合显示出有效的DR/DME检测能力.
- 随机森林技术提高了分类准确性和概括性.
结论:
- 开发的自动化图像处理方法显示了对准确和高效的DR/DME分级的重大承诺.
- 这种方法可以帮助早期诊断,促进及时治疗,降低糖尿病患者视力受损的风险.
- 建议进行进一步的临床验证,以评估该技术的更广泛的适用性.
