使用双相转移学习方法检测和诊断糖尿病眼病
Vamsi Krishna Madduri1, Battula Srinivasa Rao1
1School of Computer Science and Engineering (SCOPE), Vellore Institute of Technology-AP University, Amaravati, Andhra Pradesh, India.
PeerJ. Computer science
|September 24, 2024
概括
这项研究引入了一种双相深度学习模型,用于自动化糖尿病眼病 (DED) 的分类和细分. 该方法在从视网膜图像中检测多种眼睛疾病时达到很高的准确性,改善了早期诊断.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 深度学习用于疾病检测和检测
背景情况:
- 糖尿病眼病 (DED) 需要早期诊断和治疗,以防止视力丧失.
- 视网膜底部图像查对于DED诊断至关重要,但是劳动密集的.
- 视网膜疾病的自动化多类分类仍然具有挑战性.
研究的目的:
- 开发一种自动化的双相转移学习方法,用于多类DED分类和细分.
- 为了提高从视网膜底部图像诊断各种眼睛病态的效率和准确性.
主要方法:
- 一个修改后的ResNet-50模型,在ImageNet上进行预训练,用于分类正常,糖尿病黄斑胀 (DME),糖尿病视网膜病变,绿斑和白内障.
- 采用DenseUNet模型,利用转移学习,用于对多种眼睛疾病的缺陷区域进行细分.
- 这些模型在公开的视网膜底图像数据集上进行了评估.
主要成果:
- 拟议的模型实现了最大的特异性为99.73%,灵敏度为99.54%,准确度为99.67%,用于多类分类.
- 该系统证明了各种DED病理的有效分类和细分.
结论:
- 开发的双相深度学习模型为自动化多类糖尿病眼病诊断提供了高度准确和高效的解决方案.
- 这种方法有可能在早期发现和管理DED方面发挥重要作用,降低永久视力丧失的风险.


