卷积神经网络架构的性能评估,用于在前段眼睛图像中检测膜
Maria Isabel Moreno-Lozano1, Edward Jordy Ticlavilca-Inche2, Pedro Castañeda1
1Information Systems Engineering Faculty, Universidad Peruana de Ciencias Aplicadas, Lima 15023, Peru.
Diagnostics (Basel, Switzerland)
|September 28, 2024
概括
这项研究比较了卷积神经网络 (CNN) 模型来检测眼睛中的. Se-ResNext50模型展示了卓越的性能,为眼科提供了增强的诊断功能.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 是影响前段的常见眼睛疾病.
- 准确和有效地检测是及时诊断和治疗的关键.
- 当前的诊断方法在精度和速度上可能有局限性.
研究的目的:
- 为了评估和比较各种卷积神经网络 (CNN) 架构的性能,用于体检测.
- 与现有解决方案相比,确定一种CNN模型,提供更高的精度和诊断效率.
- 评估先进的人工智能模型在改善眼科诊断方面的潜力.
主要方法:
- 调查了五种不同的CNN架构:ResNet101,ResNext101,Se-ResNext50,ResNext50和MobileNet V2.2. 这些架构包括:
- 这些模型在数据集上进行了训练和评估,用于检测眼前部分的眼.
- 性能指标包括精度,回忆和准确性用于比较.
主要成果:
- Se-ResNext50架构实现了最高的性能指标.
- Se-ResNext50的精度为93%,回忆率为92%,准确率为92%.
- 这种模型在菌体检测方面表现优于其他评估的CNN架构.
结论:
- Se-ResNext50 CNN架构显示了在眼科中增强膜检测的巨大潜力.
- 这种人工智能驱动的方法可以提高当前眼科工具的精度和诊断效率.
- 进一步整合这些模型可能会彻底改变早期病诊断和患者管理.
