RP挤压U-SegNet模型用于病变细分和优化,启用基于ShuffleNet的多级重度糖尿病视网膜病变分类
1Department of Computer Science and Engineering, Karpagam College of Engineering, Coimbatore, India.
Network (Bristol, England)
|September 25, 2024
概括
本研究引入了一种用于糖尿病视网膜病变 (DR) 分类的自动化方法. 这种新技术可以通过 fundus 图像准确地检测DR及其严重程度,从而有助于早期干预.
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) 由于高血压导致视网膜损伤.
- 手动的DR查是劳动密集型和耗时的.
- 自动化方法为有效的DR检测和分级提供了解决方案.
研究的目的:
- 提出一种新的自动化方法,用于多层次的糖尿病视网膜病变严重程度分类.
- 使用深度学习技术提高DR查的准确性和效率.
- 开发一个能够可视化DR受影响地区的系统,并对疾病严重程度进行分级.
主要方法:
- 基金图像经过非本地手段剥离 (NLMD) 进行预处理.
- 经常性原型挤压U-SegNet (RP-squeeze U-SegNet) 进行病变细分.
- 由 Fractional War Royale Optimization (FrWRO) 优化的ShuffleNet对DR及其严重程度进行了分类.
主要成果:
- 该FrWRO-SqueezeNet模型实现了高性能指标:97%的灵敏度,93.8%的准确性,95.1%的特异性,91.8%的精度,94.3%的F-Measure.
- 该系统有效地可视化 fundus 图像中的异常区域.
- 证明了对DR严重程度的准确识别.
结论:
- 拟议的自动化方案准确地对糖尿病视网膜病变的严重程度进行分类.
- 这种方法可以帮助预防疾病的进展和视力丧失.
- 该系统为DR查提供了一种高效有效的工具.
