一种新的对比增强技术用于糖尿病视网膜图像预处理和分类

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 糖尿病视网膜病变 (DR) 影响35-60%的18-65岁糖尿病患者,具有明显的失明风险.
• 早期的DR诊断对于维护视力至关重要,但机器学习分析 fundus 图像存在挑战,特别是微动脉瘤检测.
• 微动脉瘤是DR诊断的关键指标,但在原始 fundus 图像中准确识别它们仍然很困难.

研究的目的:

• 开发和评估一种用于增强糖尿病视网膜病变分类的新型预处理技术.
• 为应对准确检测微动脉瘤和减少 fundus 图像中的错误阳性而面临的挑战.
• 提高机器学习模型在识别糖尿病视网膜病变早期迹象方面的性能.

主要方法:

• 一种新的预处理技术,结合了修改的模糊C-意味着集群和支持向量机器分类器.
• 图像处理步骤包括RGB到HSI转换,中位数过,强度直方图平衡和连接组件分析.
• 使用形态手术去除光盘,最大限度地减少与微动脉瘤的混.

主要成果:

• 提出的方法在公开可用的数据集上实现了99.31%的高准确率.
• 与现有的最先进的微动脉瘤检测算法相比,其表现优越.
• 显著改善了微动脉瘤的检测,同时减少了错误检测.

结论:

• 拟议的预处理技术通过克服虚假的微动脉瘤检测挑战,有效地提高了糖尿病视网膜病变的分类.
• 对比分析证实了该方法对最先进的算法的有效性.
• 该研究强调了先进预处理对于准确的DR诊断的重要性.