在糖尿病视网膜病变分级中使用基于PSO的值对视网膜细分的实证分析
相关实验视频
Updated: May 13, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
Bhuvaneswari Sekar1, Subashini Parthasarathy1
1Department of Computer Science, 72937 Centre for Machine Learning and Intelligence (CMLI), Avinashilingam Institute for Home Science and Higher Education for Women , Coimbatore, India.
Biomedizinische Technik. Biomedical engineering
|January 4, 2025
概括
使用粒子群优化 (PSO) 的新自动值算法通过减少背景像素干扰来提高糖尿病视网膜病变 (DR) 的分级精度. 这种方法提高了早期预防失明的诊断效率.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是导致失明的主要原因,需要早期诊断.
- 深度学习模型有助于DR诊断,但可能受到视网膜图像中的背景像素的阻碍.
- 自动特征提取和分级对于高效的DR检测至关重要.
研究的目的:
- 建议用于视网膜细分的自动值算法,以减轻背景像素的影响.
- 通过深度学习提高糖尿病视网膜病变分级的准确性和效率.
- 使用可解释AI (XAI) 分析视网膜细分的重要性.
主要方法:
- 一个基于粒子优化 (PSO) 的值算法被开发用于视网膜细分.
- 拟议的算法与Otsu,基于直方体的西格玛和值值方法进行了比较.
- 使用ResNet50进行分级准确性评估,使用XAI进行特征重要性分析.
主要成果:
- 基于PSO的视网膜细分方法与非细分方法相比,显著提高了准确性.
- 该模型在IDRiD基金数据集的未见数据上实现了83.70%的实质性准确性.
- 可解释的人工智能证实了细分对模型性能的影响.
结论:
- 拟议的基于PSO的自动值有效地确定了视网膜细分的最佳值.
- 这种方法明显提高了糖尿病视网膜病变分级模型的准确性.
- 该研究强调了准确的视网膜细分对于可靠的DR诊断的重要性.

