相关实验视频
Updated: May 11, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
自动查视网膜病变以检测糖尿病视网膜病变,使用自适应的多尺度MobileNet,从公共数据集中对异常进行细分
Nandhini Selvaganapathy1, Saravanan Siddhan2, Parthasarathy Sundararajan3
1Department of Data Science and Business Systems, SRM Institute of Science and Technology, Chennai, India.
Network (Bristol, England)
|November 9, 2024
概括
由于糖尿病率的上升,糖尿病视网膜病变 (DR) 的早期检测至关重要. 这项研究引入了一种新的深度学习模型,用于从底部图像中准确的DR诊断,从而改善患者的治疗结果.
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:
- 糖尿病流行需要有效的糖尿病视网膜病变 (DR) 查.
- 早期发现DR对于及时治疗和预防视力丧失至关重要.
- 当前的诊断方法可能耗时,需要专家知识.
研究的目的:
- 开发和评估一种基于深度学习的新型系统,用于自动检测糖尿病视网膜病变.
- 用 fundus 图像提高 DR 诊断的准确性和效率.
- 为应对糖尿病患病率不断上升所带来的挑战.
主要方法:
- 开发了一个基于深度模型的DR检测框架.
- 使用具有增强损失功能的剩余TransUNet进行异常细分.
- 视网膜病变的检测使用了通过自适应拼图优化优化的自适应多尺度移动网络 (AMMNet).
- 该系统在基准基金图像数据集上进行了训练和验证.
主要成果:
- 拟议的深度模型展示了有效的DR检测能力.
- 剩余TransUNet实现了准确的异常细分,最大限度地减少错误.
- 通过自适应拼图优化优化AMMNet,提高了检测性能.
- 实验结果证实了该方法在各种绩效指标上的有效性.
结论:
- 开发的深度模型为糖尿病视网膜病变查提供了一个有希望的自动化解决方案.
- 集成的细分和检测阶段提高了诊断准确度.
- 这种方法可以帮助眼科医生在早期和高效的DR诊断,潜在地改善患者护理.
