使用MultiCNN_LSTM分类器对ROP的1,2,3阶段和Preplus,Plus疾病进行分类

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:

• 早产视网膜病变 (ROP) 是早产婴儿失明的主要原因.
• 准确的分期和 Plus 疾病的识别对于及时的 ROP 治疗至关重要.
• 目前的诊断方法依赖于手动视网膜图像检查,这可能是主观的,耗时的.

研究的目的:

• 开发和评估一个可解释的ROP选的自动化系统.
• 提高分类ROP阶段 (1-3) 的准确性,并检测前加/加病.
• 通过视网膜底部图像,利用深度学习模型进行增强的ROP诊断.

主要方法:

• 利用多个卷积神经网络 (CNN) 来从视网膜图像中提取特征.
• 采用长期短期记忆 (LSTM) 网络进行图像分类.
• 开发并使用了Cropped STAGE和HVDROPDB-PLUS数据集,包括RetCam和Neo图像.

主要成果:

• 拟议的MultiCNN-LSTM网络与单个CNN和CNN-LSTM模型相比,表现优越.
• 在分类ROP阶段和识别Plus疾病方面获得了更高的准确性和F1分数.
• 该系统为ROP选提供了可解释的分类.

结论:

• 开发的可解释的人工智能系统显示了准确和高效的ROP选的巨大潜力.
• 这种自动化方法可以帮助眼科医生早期检测和治疗ROP.
• 在更大的数据集上进行进一步验证是有必要的,以确认临床效用.