深度组合用于检测视网膜病变在视网膜光学一致性断层图像中的中央血清显微镜
Syed Ale Hassan1, Shahzad Akbar1, Ijaz Ali Shoukat1
1Riphah Artificial Intelligence Research (RAIR) Lab, Riphah International University, Faisalabad Campus, Faisalabad, Pakistan.
Microscopy research and technique
|February 27, 2025
概括
这项研究引入了一个深度学习框架,用于准确检测视网膜中枢血清性视网膜病变 (CSR),视网膜疾病. 这种新方法在分类正常视网膜图像和受CSR影响的视网膜图像方面取得了很高的准确性,有助于早期诊断和视力保护.
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:
- 中央血清性视网膜病变 (CSR) 是一种常见的视网膜疾病,导致视力丧失.
- 企业社会责任的手动检测方法往往不准确和不可靠.
- 早期和准确的CSR检测对于预防视力障碍至关重要.
研究的目的:
- 开发和评估一个基于深度学习的框架,用于中央血清性视网膜病变 (CSR) 的自动分类.
- 解决分隔视网膜图像的挑战,例如噪音和流体特征的变化.
- 与传统方法相比,提高CSR检测的准确性和可靠性.
主要方法:
- 开发了一个基于卷积神经网络 (CNN) 的框架,包含图像细分和后处理技术.
- 奥的值被用来分割光学连贯断层扫描 (OCT) 图像,然后进行对比度调整和消除噪音.
- 在OCTID数据集上使用ResNet-18,GoogleNet和VGG-19网络的融合进行了图像分类.
主要成果:
- 拟议的框架实现了高性能指标:准确率为99.6%,灵敏度为99.46%,特异性为100%,F1得分为99.73%.
- 该方法成功地从公开可用的OCTID数据集中分类了正常和CSR受影响的图像.
- 三个CNN的融合在识别企业社会责任方面表现出了卓越的表现.
结论:
- 开发的深度学习框架非常有效,适合自动化企业社会责任分类.
- 该研究验证了该框架能够克服视网膜OCT图像中的细分挑战的能力.
- 这些发现支持这种人工智能驱动的方法在早期企业社会责任诊断和视力保护方面的潜力.
