基于囊网络的深度学习用于早期和准确的糖尿病视网膜病变检测
I Govindharaj1, R Rampriya2, G Michael3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, Tamil Nadu, 600062, India. govindharaji@veltech.edu.in.
International ophthalmology
|February 18, 2025
概括
这项研究介绍了一种混合AI模型,将UNet++和囊网络 (CapsNet) 结合起来,以改进青光眼的诊断. 人工智能系统准确地分割光盘和光杯,帮助早期检测和预防失明.
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:
- 玻璃眼是一种视神经疾病,如果不治疗,会导致失明,这会给诊断带来挑战.
- 目前的诊断方法依赖于分析 fundus 图像以检测光盘和杯子的特征.
- 人工智能 (AI) 提供了提高青光眼识别准确性的潜力.
研究的目的:
- 实施使用UNet++和囊网络 (CapsNet) 的混合AI模型,以改进青光眼的诊断.
- 利用UNet++进行光盘 (OD) 和光杯 (OC) 的精确语义细分.
- 利用CapsNet捕获等级结构并增强对眼变化的敏感性.
主要方法:
- 视网膜图像使用直方形平衡和对比限度自适应直方形平衡 (CLAHE) 进行了预处理.
- 开发了一种混合模型,将UNet++用于细分和CapsNet用于特征分析.
- 该模型在十个基准数据集上进行了训练和测试.
主要成果:
- 混合型号在光盘和杯子细分方面实现了高精度.
- 与现有方法相比,该系统在青光眼检测方面表现优越.
- 评估表明了良好的诊断能力,为自动青光眼诊断铺平了道路.
结论:
- 联网++和CapsNet混合模型提供了一种新且高效的青光眼诊断方法.
- 通过这种人工智能应用程序早期检测青光瘤有可能预防失明.
- 人工智能正在彻底改变眼科医疗保健,特别是在诊断诸如绿眼病等疾病方面.
