一个多模型深度网络与可解释的人工智能基础框架用于糖尿病视网膜病变细分和分类
Neeraj Sharma1, Praveen Lalwani2
1School of Computing Sciences and Engineering, VIT Bhopal University, Kothrikalan, Sehore, 466114, Madhya Pradesh, India. neeraj.sharma2019@vitbhopal.ac.in.
Scientific reports
|March 14, 2025
概括
这项研究引入了一个用于诊断糖尿病视网膜病变 (DR) 的AI系统,可以克服图像质量问题. 这种新的方法显著提高了诊断准确度,有助于早期发现和治疗DR.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 糖尿病视网膜病变 (DR) 是糖尿病患者视力丧失的主要原因,需要准确及时诊断.
- 当前的人工智能驱动的DR诊断系统面临的挑战是图像质量问题,如低对比度,噪音和不均的照明,影响性能.
- 有效的DR诊断对于预防不可逆转的视力损伤至关重要.
研究的目的:
- 开发一种基于人工智能的先进系统,用于准确诊断糖尿病视网膜病变.
- 解决和克服现有的AI模型在处理质量差的视网膜图像方面的局限性.
- 通过改进的图像处理和分类技术来提高DR检测的性能.
主要方法:
- 基于混沌地图的自适应性加博波器 (AGF) 已开发,以提高图像质量.
- 采用了多功能提取技术,包括局部二进制模式 (LBP),加快强特征 (SURF) 和纹理能量测量 (TEM).
- 使用了一种包含注意层,DenseNet和由自适应性北方鱼优化 (SANGO) 算法优化的优化门循环单元 (OGRU) 的分类模型.
- 使用Grad Cam验证了细分和分类性能.
主要成果:
- 拟议的系统在三个数据集中显示出高的诊断准确性:DiaRetDB1 (99.01%),APTOS 2019 (98.98%) 和EyePacs (99.12%).
- 使用IoU,准确性,精度,回忆,F1-测量和子相似系数 (DSC) 等指标严格评估性能.
- 该系统在处理各种数据集和图像条件时被证明是稳健可靠的.
结论:
- 开发的AI系统有效地解决了糖尿病视网膜病诊断中的图像质量挑战.
- 集成AGF,先进的特征提取和复杂的分类模型显著提高了诊断性能.
- 这种人工智能驱动的方法为早期DR检测提供了可靠和准确的解决方案,有可能减少糖尿病患者的视力丧失.
