使用深度学习模型进行显微镜辅助高血压视网膜病变诊断.

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:

• 高血压视网膜病变 (HR) 是影响视网膜的高血压并发症,可能导致失明.
• 从视网膜图像中手动诊断HR是劳动密集型的,容易产生不准确性.
• 早期发现和分类HR对于有效的患者管理和预防视力丧失至关重要.

研究的目的:

• 利用深度学习模型开发和评估一种新的,自动化的技术,用于检测和分级高血压视网膜病变 (HR).
• 与手动方法相比,提高HR诊断的准确性和效率.
• 提供一种用于临床应用的工具,用于识别和分类HR阶段.

主要方法:

• 一种结合U-Net和Dense-Net架构的新方法,用于自动化的人力资源检测和分级.
• 使用Gabor过器进行图像预处理,以增强视网膜血管结构.
• 使用U-Net进行血管细分,然后使用Dense-Net进行动脉/静脉分类.
• 从HR评估的分类血管计算动脉静脉比率 (AVR).

主要成果:

• 自动化系统在AVRDB数据集上实现了高性能.
• 人力资源分类的平均准确率为99.40%.
• 人力资源分级的平均准确率达到99.77%.

结论:

• 拟议的基于U-Net和Dense-Net的方法提供了一个高度准确和高效的解决方案,用于自动化HR检测和分级.
• 这种自动化方法可以通过提供可靠的诊断支持,显著有利于临床实践.
• 该技术具有早期干预的潜力,并改善了高血压视网膜病变的管理,减少了失明的风险.