预训练的卷积神经网络模型的性能分析用于眼科疾病分类
1Department of Biostatistics, Faculty of Medicine, Izmir Katip Celebi University, Izmir, Turkey.
Arquivos brasileiros de oftalmologia
|September 19, 2024
概括
卷积神经网络 (CNN) 显示出从眼底图像对眼睛疾病的分类有前途. ResNet50在检测各种眼科疾病方面表现出卓越的性能.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 糖尿病视网膜病变,玻璃眼和与年龄有关的黄斑变性是导致视力丧失的主要原因.
- 这些疾病的早期发现和分类对于有效治疗至关重要.
- 使用深度学习的Fundus图像分析为大规模查提供了潜在的解决方案.
研究的目的:
- 评估预训练的卷积神经网络 (CNN) 架构的分类性能.
- 评估VGG16,Inceptionv3和ResNet50模型从眼底图像中检测八种不同的眼病的能力.
主要方法:
- 利用了一个公共的眼睛疾病智能识别数据库,包含1万张 fundus 图像.
- 实施并比较了三个预训练的CNN模型:VGG16,Inceptionv3和ResNet50.3
- 增强培训数据,并将数据集分为70%的培训,10%的验证和20%的测试集.
主要成果:
- ResNet50获得了97.1%的准确性,在白内障分类方面表现出色 (AUC=0.964,得分=0.903).
- VGG16实现了96.2%的精度,具有高特异性 (99.2%),但敏感性较低 (56.9%).
- 具体的模型在分类不同疾病方面表现出不同的强度,ResNet50,Inceptionv3和VGG16在某些条件下表现出特别有用.
结论:
- 经过预先训练的CNN架构有效地从眼底图像中识别眼科疾病.
- ResNet50适用于对玻璃眼,白内障,高血压和近视的分类.
- 发病v3和VGG16对其他特定疾病分类,包括糖尿病视网膜病变有前途.
