使用深度学习架构增强视网膜血管细分的新型合奏元模型
Mohamed Chetoui1, Moulay A Akhloufi1
1Perception, Robotics, and Intelligent Machines Lab (PRIME), Department of Computer Science, Université de Moncton, Moncton, NB E1A 3E9, Canada.
Biomedicines
|January 25, 2025
概括
这项研究引入了一个集体深度学习框架,用于准确的视网膜血管细分,改善眼睛疾病的诊断. 这种新的方法提高了细血管的检测,即使在杂的图像中也是如此.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 视网膜血管细分对于诊断糖尿病视网膜病变,玻璃眼和高血压视网膜病变至关重要.
- 挑战包括图像噪声,低对比度和复杂的容器结构.
研究的目的:
- 开发一个强大的集体学习框架,以增强视网膜血管细分.
- 为了提高细分模型的准确性和概括性.
主要方法:
- 一个新的整体框架,结合了U-Net,ResNet50,U-Net与ResNet50骨干,U-Net与变压器块.
- 在DRIVE和STARE数据集上训练模型.
- 使用堆叠方法来整合来自单个架构的预测.
主要成果:
- 整体模型实现了最先进的性能,精度为0.9778,AUC为0.9912,F1-Score为0.8231.
- 在识别薄视网膜血管方面表现出卓越的性能.
结论:
- 拟议的整体框架对于视网膜血管细分是强大而有效的.
- 性能优于单个型号,特别是在噪音和可见性差等具有挑战性的条件下.
