DR-ConvNeXt:用于重建ConvNeXt模型结构的DR分类方法
Pengfei Song1,2, Yun Wu1,2
1State Key Laboratory of Public Big Data, Guizhou University, Guiyang, China.
一个新的深度学习模型DR-ConvNeXt使用先进的卷积结构和一种新的损失函数准确地分类糖尿病视网膜病变 (DR). 这种方法在诊断DR方面具有显著的优势,DR是导致失明的主要原因.
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:
- 糖尿病视网膜病变 (DR) 是糖尿病的一种严重并发症,导致劳动年龄人口视力丧失.
- 从视网膜图像中对DR进行分类是具有挑战性的,因为病变分布和变异性复杂.
- 准确的DR检测对于及时干预和预防失明至关重要.
研究的目的:
- 开发一种自动化方法,DR-ConvNeXt,用于精确分类糖尿病视网膜病变的病变类型.
- 通过先进的深度学习技术,提高糖尿病视网膜病变诊断的准确性.
主要方法:
- 在DR-ConvNeXt模型中使用双分支的加法卷积结构.
- 增加了堆叠的ConvNeXt 块卷积层被纳入.
- 为了提高分类性能,引入了一个独特的初级-辅助损失函数.
主要成果:
- 在APTOS数据集上,DR-ConvNeXt实现了91.8%的准确度,81.6%的灵敏度和97.9%的特异性.
- 在Messidor-2数据集上,该模型获得了83.6%的准确度,74.0%的灵敏度和94.6%的特异性.
- 该模型在两个数据集上的所有评估指标上都表现出卓越的性能.
结论:
- 该DR-ConvNeXt模型在分类糖尿病视网膜病变方面表现出显著的优势.
- 拟议的方法为准确和自动化DR诊断提供了一个有希望的方法.
- 增强的分类性能突显了DR-ConvNeXt在临床环境中的潜力.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
相关概念视频
Design Example: Maintaining Level of an Embankment
Plane Potential Flows
Uniform Flow
Uniform flow...
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Field Application of Global Positioning System
Applications of GIS: Disaster Management and Emergency Response
Design Example: Alignment of a Road Line Using GIS
