混合卷积神经网络以人工藻类算法优化,用于使用 fundus 图像进行青光眼查
M Shanmuga Eswari1, S Balamurali1, Lakshmana Kumar Ramasamy2
1Department of Computer Applications, Kalasalingam Academy of Research and Education, Krishnankoil, Tamilnadu, India.
The Journal of international medical research
|September 20, 2024
概括
使用人工藻类算法与支持矢量机 (AAASVM) 的优化决策支持系统,从视网膜底部图像中实现了96.52%的准确性,用于从视网膜底部图像中查玻璃眼. 这种计算机辅助系统帮助眼科医生评估患者的进展情况.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 从视网膜底部图像进行眼查对于早期检测和预防视力丧失至关重要.
- 现有的方法可能缺乏广泛临床应用所需的准确性和效率.
研究的目的:
- 开发和优化使用视网膜底部图像进行青光眼查的决策支持系统.
- 通过先进的计算机视觉和机器学习技术,提高青光眼检测的准确性和效率.
主要方法:
- 结合计算机视觉算法与卷积神经网络 (CNN) 进行 fundus 图像分析.
- 利用更快的基于区域的卷积神经网络 (FRCNN) 和带有支持矢量机器 (AAASVM) 分类器的人工藻类算法.
- 使用Ternaus.Net实现了光学边界检测,光学杯和光学磁盘细分.
主要成果:
- 在三个数据集中实现了高准确率:95.11% (G1020),92.87% (DRIEV) 和93.7% (高分辨率基金).
- 优化FRCNN (AFRCNN) 的平均精度为94.06%,灵敏度为93.353%,特异性为94.706%.
- 该AAASVM分类器的表现优于FRCNN,各数据集的平均准确率为96.52%,AUC为0.9,0.85和0.87.
结论:
- 根据弗里德曼统计评估,AAASVM模型被证明是对眼查最有效的.
- 该系统对图像进行细分和分类的能力有助于在医疗保健系统内监测患者的进展.
- 这种计算机辅助的决策支持系统为眼科医生在绿眼病管理中提供了重要的实用性.
