相关实验视频
Updated: May 7, 2026

09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.4K
基于视网膜底部成像的糖尿病视网膜病变分类,使用转移学习和fennec fox优化
Indresh Kumar Gupta1,2, Shruti Patil3,4, Supriya Mahadevkar3
1Pranveer Singh Institute of Technology, Kanpur, U.P, India.
MethodsX
|April 16, 2025
概括
糖尿病视网膜病变 (DR) 检测是使用新型深度学习模型自动化的. 这种先进的系统增强了早期诊断和DR的分类,这对于预防糖尿病患者的视力丧失至关重要.
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:
- 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因,在没有早期症状的情况下静静地进展.
- 通过视网膜底部成像进行早期检测对于有效的DR管理至关重要.
- 手动图像分析耗时,需要自动化计算机辅助诊断 (CAD) 系统.
研究的目的:
- 引入使用深度学习和Fennec Fox优化 (FIDRC-DLFFO) 模型的Fundus成像糖尿病视网膜病变分类.
- 为了自动识别和分类糖尿病视网膜病变.
- 为了提高DR诊断的准确性和效率.
主要方法:
- 在FIDRC-DLFFO模型中,用于降低噪声的介质过,以及用于特征提取的Inception-ResNet-v2.
- 一个封闭的循环单元 (GRU) 用于分类,其超参数通过Fennec Fox优化 (FFO) 进行优化.
- 模型的性能在基准数据集上进行了评估.
主要成果:
- FIDRC-DLFFO模型展示了自动化DR检测和分类能力.
- 使用FFO进行超参数调整,显著提高了GRU分类准确度.
- 这项研究提供了模型在识别糖尿病视网膜病变方面的有效性.
结论:
- 拟议的FIDRC-DLFFO模型为糖尿病视网膜病变分类提供了一个有效的自动化解决方案.
- 优化的深度学习方法可以显著提高医学成像诊断的准确性.
- 该模型显示了在支持眼科医生和改善患者治疗结果方面,现实世界临床应用的潜力.

