注意力和扩张卷包括深度CNN与多重纹理特征来诊断病理和高近视
1Department of Computer Science and Engineering, Visvesvaraya National Institute of Technology, South Ambazari road, Nagpur, 440022, Maharashtra, India.
Computers in biology and medicine
|December 14, 2024
概括
一个新的AI分类器从 fundus 图像中准确检测高近视 (HM) 和病态近视 (PM). 这种工具有助于早期诊断,可能防止视力丧失,并支持远程医疗的努力.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 高近视 (HM) 和病态近视 (PM) 等眼睛疾病对全球视力构成重大风险.
- 早期检测和管理对于预防危及视力的并发症至关重要.
- 现有的计算机辅助诊断 (CAD) 方法经常独立分析HM和PM,限制整体评估.
研究的目的:
- 开发一种新的三元分类器,用于同时检测正常视力,病理近视 (PM) 和高近视 (HM),使用彩色眼底图像.
- 将纹理特征与深度卷积神经网络 (deep-CNN) 模型集成,以提高诊断准确度.
- 提供PM和HM病理学的整体分析.
主要方法:
- 构建了一个深度CNN模型,包含空间注意力 (SA),挤压激发 (SE) 模块和状卷曲.
- 来自灰色级别共发生矩阵 (GLCM) 的纹理特征被整合到深度CNN架构中.
- 进行了除研究,以评估光盘 (OD) 和视网膜血管 (RV) 特征的意义.
主要成果:
- 在645张图像上,三元分类器实现了0.9754 (+/-0.014) 的5倍交叉验证平均精度和0.9767的测试精度.
- 卡帕得分为0.9622表明了强大的临床可行性.
- 该分类器在从底部图像中检测PM和HM方面表现优于之前的研究.
结论:
- 开发的AI分类器证明了高精度和临床可行性,可以同时检测正常视力,PM和HM.
- 该模型的发现和类激活地图被专家眼科医生验证.
- 这种工具可以促进远程诊断和远程医疗,解决眼科医生和光学仪器的短缺问题.
