基于特征驱动的模块化神经网络的混合模型,用于使用 fundus 图像进行糖尿病视网膜病变分类的草优化算法
1Department of Electronics and Communication Engineering, Udaya School of Engineering, Vellamodi, India. phd.binnyjebadurai01@yahoo.com.
Medical & biological engineering & computing
|March 6, 2025
概括
一个新的混合模型,MNN-GOA,准确地预测糖尿病视网膜病变 (DR) 从 fundus 图像. 这种方法增强了特征选择和分类,为早期检测和严重性评估提供了强大的解决方案.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 具有严重的失明风险,如果不及早检测或治疗.
- 现有的自动化DR检测系统面临的挑战包括可变的照明,过拟合,小型数据集和计算复杂性.
- 有效的特征学习和权重对于从基底图像中准确预测DR至关重要.
研究的目的:
- 引入一种新的混合模型,即模块化神经网络与虫优化算法 (MNN-GOA),用于增强糖尿病视网膜病变分类.
- 解决现有的自动化DR检测系统的局限性,重点是改进特征选择和分类准确性.
- 开发一种强大而高效的解决方案,使用底部图像准确预测DR严重程度.
主要方法:
- MNN-GOA模型将神经网络与虫优化算法 (GOA) 集成,以优化特征选择和分类.
- 使用预处理,数据增强和基于直方图的细分来提高图像质量,并专注于关键区域.
- 特征提取涉及诸如面向梯度 (HOG) 的直方图,尺度不变特征转换 (SIFT),颜色特征和相互信息 (MI) 等技术,GOA优化特征权重.
主要成果:
- MNN-GOA模型实现了高性能指标:98.8%的准确性,97.6%的特异性,96.8%的灵敏性,96.4%的精度,96.2%的F1得分.
- 在四个不同的数据集 (DIARETDB1,DDR,APTOS 2019,EyePACS) 进行验证,证明了该模型的稳定性.
- 拟议的MNN-GOA模型在糖尿病视网膜病变的分类和严重程度预测方面表现优于现有的方法.
结论:
- MNN-GOA模型在自动检测糖尿病视网膜病变和严重程度分级方面取得了重大进展.
- 混合方法有效地克服了与特征学习,权重和计算复杂性相关的挑战.
- 该模型提供了一个可靠和有效的工具,用于在治疗糖尿病视网膜病变的临床应用.
