卷积神经网络 (CNN) 在通过光学一致性断层图像 (OCT) 图像的分类来识别视网膜疾病时的评估
Rohin R Teegavarapu1, Harshal A Sanghvi2, Triya Belani3
1Department of Science, American Heritage High School, Delray Beach, USA.
Cureus
|February 10, 2025
概括
卷积神经网络 (CNNs) 在通过光学连贯断层扫描 (OCT) 图像诊断糖尿病视网膜病变 (DR) 中显示出高准确性. VGG16和InceptionV3模型达到高达94%的准确性,更大的数据集提高了性能.
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:
- 糖尿病视网膜病变 (DR) 是全球主要的失明原因之一.
- 自动诊断工具对于早期检测和管理至关重要.
- 机器学习,特别是CNN,为分析视网膜图像提供了有前途的解决方案.
研究的目的:
- 评估两种CNN模型VGG16和InceptionV3的性能,用于分类视网膜OCT图像.
- 为了比较这些模型在识别正常时的准确性,胆道新血管化,糖尿病黄斑胀 (DME) 和.
- 评估数据集大小对模型准确性的影响.
主要方法:
- 利用了四个类别的83,000张视网膜OCT图像的数据集.
- 使用TensorFlow和Keras训练并测试了VGG16和InceptionV3 CNN模型.
- 分析性能指标,包括精度,灵敏度和特异性,使用混矩阵和性能图.
主要成果:
- VGG16 (94%准确率) 和InceptionV3 (92%准确率) 均表现出高分类性能.
- 增加数据集大小提高了7%的灵敏度和整体准确度.
- 敏感性和特异性与较大的数据集呈现出正相关性.
结论:
- 视网膜OCT图像的准确分类中,CNN是有效的工具,有助于诊断DR和DME等疾病.
- 限制包括使用灰度图像和计算需求.
- 未来的研究应该集中在数据增强和为临床应用优化架构上.
