用深度学习进行光诊断:基于GAN和自编码器的方法来检测糖尿病视网膜病变
Kerem Gencer1, Gülcan Gencer2, Tuğçe Horozoğlu Ceran3
1Faculty of Engineering, Department of Computer Engineering, Afyon Kocatepe University, Afyonkarahisar, Turkey.
Photodiagnosis and photodynamic therapy
|March 10, 2025
概括
本研究引入了使用生成对抗网络 (GAN) 和拒绝自编码器的深度学习框架,以提高糖尿病视网膜病变 (DR) 分类的准确性,在测试中达到99%.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 糖尿病视网膜病变 (DR) 是全球视力损失的主要原因.
- 早期发现和准确诊断DR对于预防失明至关重要.
研究的目的:
- 开发一种新的深度学习框架,用于增强糖尿病视网膜病变的分类.
- 使用先进的人工智能技术提高DR诊断模型的性能.
主要方法:
- 利用生成对抗网络 (GAN) 进行合成视网膜图像生成和数据增强.
- 在视网膜图像中使用无声化自动编码器来减少噪音和人工物.
- 微调了EfficientNetB0模型在增强和无名化的数据集上进行分类.
主要成果:
- 实现了与99.00%的准确性,回忆和特异性的特殊分类性能.
- 该框架有效地解决了有限的注释数据和杂的输入的挑战.
- 在DR分类中超越现有的最先进方法.
结论:
- GAN,自动编码器和EfficientNetB0的综合框架证明了DR诊断的稳定性和临床潜力.
- 强调深度学习在应对糖尿病视网膜病变的挑战方面具有变革性的影响.
- 未来的工作包括增强可解释性和探索多模式成像以提高通用性.
