通过深度学习来检测糖尿病视网膜病变,基于双重特征的综合分类模型
T M Devi1, P Karthikeyan2, B Muthu Kumar3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, 600062, India.
概括
一个新的深度学习框架,DD-FIC,从视网膜图像中准确检测糖尿病视网膜病变 (DR). 这种计算机视觉方法提高了诊断速度和准确性,有助于预防视力丧失.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 检测糖尿病视网膜病变 (DR) 对于预防失明至关重要.
- 通过视网膜图像进行手动诊断是耗时且容易出错的.
- 智能系统为自动化DR诊断提供了一个有希望的途径.
研究的目的:
- 开发一个新的深度学习框架,用于准确的DR检测.
- 提高DR诊断的效率和可靠性.
主要方法:
- 设计了一个基于深度学习的双特性集成分类 (DD-FIC) 框架.
- 使用Wavelet集成的Retinex (WIR) 算法对 fundus 图像进行了无色化.
- 采用双特征提取 (全球和本地) 和随机森林选择,其次是多类支向量机 (MCSVM) 分类.
主要成果:
- 在Kaggle数据集上,DD-FIC框架实现了98.6%的检测准确度.
- 与现有方法相比,观察到显著的准确性改进.
结论:
- 拟议的DD-FIC框架在检测糖尿病视网膜病变方面表现出高效.
- 这种由人工智能驱动的方法提供了一个更有效,更准确的诊断工具.
