使用转移学习方法对糖尿病视网膜病变图像进行基于深度学习的二进制分类.
Dimple Saproo1, Aparna N Mahajan2, Seema Narwal3
1Maharaja Agrasen University Baddi, Baddi, Himachal Pradesh 173205 India.
Journal of diabetes and metabolic disorders
|November 29, 2024
概括
早期发现糖尿病视网膜病变 (DR) 对于预防失明至关重要. 使用ResNet101的深度学习模型在分类DR图像中实现了97.33%的准确性,帮助糖尿病患者及时诊断.
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) 是全球导致失明的主要原因,需要早期检测以保护视力.
- 及时诊断DR对于预防糖尿病患者不可逆转的视力丧失至关重要.
研究的目的:
- 开发和评估一种深度学习模型,用于准确对糖尿病视网膜病变 (DR) 图像进行二进制分类.
- 微调预训练的神经网络以识别健康与不健康的视网膜图像.
主要方法:
- 使用了来自DRD-EyePACS,IDRiD和APTOS-2019的综合数据集,包括注释DR图像.
- 应用预处理技术,包括无声化,规范化和数据增强,以提高模型的稳定性.
- 使用转移学习微调20个预训练的深度学习网络 (系列,DAG,轻量级).
主要成果:
- 在DAG类别中,ResNet101模型在DR图像的分类方面表现出卓越的性能.
- 使用ResNet101模型实现了97.33%的分类准确度.
- 使用准确度,灵敏度,特异性,精度,F1得分和ROC-AUC等指标评估模型效率.
结论:
- 拟议的ResNet101模型有效地通过放射图像检测出糖尿病视网膜病变.
- 这种深度学习方法为医疗保健专业人员提供了早期DR检测的宝贵工具.
- 为患者和专家提供补充诊断意见,促进及时干预.


