一个用于检测视网膜疾病的新型深度学习框架,利用视网膜图像中的情境和局部特征线索
Sultan Daud Khan1, Saleh Basalamah2, Ahmed Lbath3
1Department of Computer Science, National University of Technology, Islamabad, Pakistan. sultandaud@nutech.edu.pk.
Medical & biological engineering & computing
|February 7, 2025
概括
一个新的深度学习框架通过结合全球和本地图像分析来改善视网膜疾病的分类. 这种方法提高了各种眼部疾病的诊断准确性,解决了当前手动方法的局限性.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 视网膜疾病对视力构成重大全球威胁.
- 目前的手动 fundus 图像分析是耗时的,劳动密集的,容易错过诊断.
- 自动化方法与基础图像复杂性 (如阶级不平衡和有限的背景) 进行斗争.
研究的目的:
- 开发一种新的深度学习框架,用于准确的视网膜疾病分类.
- 克服视网膜图像自动化分析的挑战,包括类间的相似性和类内变异.
- 为了提高各种视网膜疾病的诊断准确度.
主要方法:
- 提出了一个由三个模块组成的框架:用于全球背景的密集连接多扩展卷积神经网络 (DCM-CNN),用于使用类激活地图 (CAM) 进行本地细节的基于本地补丁的卷积神经网络 (LP-CNN).
- 集成的DCM-CNN和LP-CNN功能使用协同网络进行最终分类.
- 评估了RFMiD和ODIR-5K基准数据集的框架.
主要成果:
- 拟议的框架显示了视网膜疾病分类的高准确性.
- 在RFMiD和ODIR-5K数据集上,与现有方法相比,实现了更高的性能.
- 定性和定量实验证实了该框架的有效性.
结论:
- 新的深度学习框架有效地解决了视网膜疾病自动诊断方面的挑战.
- 全球和本地特征提取方法的结合提高了分类准确性.
- 这一框架为早期检测和预防危及视力的视网膜疾病提供了有希望的进展.
