多个模型视觉特征嵌入和选择方法,以实现有效的瘤疾病分类
Isha Kansal1, Vikas Khullar1, Preeti Sharma1
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|February 11, 2025
概括
一个新的深度学习系统使用眼底图像自动化眼睛疾病的分类. 这种方法提高了诊断的准确性和效率,支持眼科医生,并改善了全球的患者护理.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 早期发现眼病对于预防视力丧失至关重要,但面临着专家可用性和资源限制的挑战.
- 需要自动化诊断工具来提高眼部疾病识别的精度和简化临床工作流程.
研究的目的:
- 开发和评估基于深度学习的系统,用于从眼底图像中自动分类眼睛疾病.
- 为了优化计算效率和诊断性能,使用新的功能选择框架.
主要方法:
- 利用眼病智能识别 (ODIR) 数据集,包括5000个标记的 fundus 图像.
- 采用转移学习模型 (DenseNet201,EfficientNetB3,InceptionResNetV2) 和一个双层特征选择框架,将线性差异分析 (LDA) 与高级神经网络 (DNN,LSTM,BiLSTM) 结合起来.
主要成果:
- 与双向LSTM (BiLSTM) 结合的特征策略在训练集上实现了100%的准确性,精度和回忆.
- 在验证组中记录了超过98%的性能,证明了高效率.
- 基于LDA的框架显著降低了计算复杂性,同时提高了分类准确性.
结论:
- 拟议的深度学习系统为自动眼部疾病检测提供了可扩展和高效的解决方案.
- 这项技术为临床决策提供了强有力的支持,有可能减少眼科医生的工作量,特别是在资源有限的地区.
- 该系统有可能通过提升眼部疾病的早期检测来改善全球患者的治疗结果.
