相关实验视频
Updated: May 10, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.4K
基于移动maxout网络和使用视网膜底图像的韦伯局部描述符特征选择的糖尿病视网膜病变检测
V Sheejakumari1, K Sundravadivelu2, S Pushparani3
1Department of Computer Science and Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), Saveetha University, Chennai, Tamilnadu, 602 105, India.
Scientific reports
|April 22, 2025
概括
这项研究引入了一种新的混合网络,即移动Maxout网络 (MM-Net),用于从视网膜图像中更快,更准确地检测糖尿病视网膜病变 (DR). MM-Net改进了现有方法,为早期DR诊断提供了一个有前途的工具.
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:
- 从色底图像中检测糖尿病视网膜病变 (DR) 需要专家分析,这是耗时和复杂的.
- 目前的自动化 DR 检测方法可能是缓慢和昂贵的,突出需要提高效率.
研究的目的:
- 开发一个高效和准确的混合网络,移动Maxout网络 (MM-Net),用于自动检测糖尿病视网膜病变.
- 克服手动DR分级和现有的自动化系统的局限性.
主要方法:
- 为DR检测提出了一个混合MM-Net,结合了MobileNet和Deep Maxout Network (DMN).
- 图像预处理涉及中间波器,随后使用主动轮模型进行光盘细分,并通过O-SegNet进行血管细分.
- 使用MM-Net.进行特征提取和最终DR检测.
主要成果:
- MM-Net实现了DR检测的高分析指标.
- 精度达到89.2%,灵敏度为90.5%,特异性为92.0%.
结论:
- 拟议的MM-Net显示了准确和高效的糖尿病视网膜病变自动检测的巨大潜力.
- 这种混合网络为使用视网膜底图像进行DR查和诊断所面临的挑战提供了可行的解决方案.
