从OCT图像中进行高级视网膜疾病检测,使用混合挤压和激发增强模型

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:

• 视网膜疾病可以导致严重的视力丧失,如果不及早诊断和治疗.
• 从光学相干断层扫描 (OCT) 图像中诊断视网膜疾病的传统诊断是耗时的,并依赖于专家的解释.
• 糖尿病性黄斑 (DME),德鲁森和胆道新血管化 (CNV) 等疾病的患病率越来越高,需要改进诊断方法.

研究的目的:

• 开发和评估一种混合深度学习模型,用于自动检测来自OCT图像的视网膜疾病.
• 提高诊断疾病的准确性和效率,包括DME,Drusen和CNV.

主要方法:

• 开发了一个混合模型,将Squeeze-and-Excitation (SE) 块与EfficientNetB0和Xception架构集成在一起.
• EfficientNetB0提供了更少参数的准确性,而Xception在特征提取方面表现出色.
• 通过重新校准特征响应,SE块可以提高网络表示能力.

主要成果:

• 该SE-Enhanced混合模型在OCT数据集上取得了高准确性 (UCSD上99.58%,杜克上99.18%).
• 拟议的模型在检测视网膜疾病方面超过了现有的最先进的方法.
• 组合的特征是使用完全连接的层处理和Softmax算法进行分类.

结论:

• 该模型显示了使用OCT成像进行有效的视网膜疾病计算机辅助诊断的巨大潜力.
• 这些发现支持眼科中先进的诊断工具的开发,以早期发现和管理疾病.