使用Rosmarus Quagga优化的可解释的生成元学习基于深度卷积神经网络模型的非扩散性糖尿病视网膜病变检测
Ajita Arvind Mahapadi1, Vishal Shirsath2, Ajitkumar Pundge2
1School of Engineering, Ajeenkya D Y Patil University, Lohegaon, Pune, Maharashtra, 412105, India. ajita.mahapadi@adypu.edu.in.
International ophthalmology
|May 8, 2025
概括
这项研究介绍了一种新的Rosmarus Quagga优化可解释的生成型基于Meta学习的深度卷积神经网络 (RQ-EGMCN),用于诊断非增殖性糖尿病视网膜病变 (NPDR). 该模型从视网膜图像中检测出糖尿病视网膜病变的高精度.
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:
- 非增殖性糖尿病视网膜病变 (NPDR) 是糖尿病的早期并发症,影响视网膜血管.
- 现有的诊断模型与病变异质性 (大小,形状,分布) 斗争.
- 准确和早期的NPDR诊断对于糖尿病管理至关重要.
研究的目的:
- 开发和验证一种用于有效诊断严重糖尿病视网膜病变 (DR) 的新型模型,并进行病变识别.
- 为了解决现有的NPDR检测模型中的挑战.
- 用视网膜图像提高DR诊断的准确性和可解释性.
主要方法:
- 提出了一个Rosmarus Quagga优化的可解释的生成型基于Meta学习的深度卷积神经网络 (RQ-EGMCN).
- 集成的自适应食和基于领导者的食策略,以提高检测准确度.
- 雇佣了可解释的CNN,并提供了注意力/销售力地图以提供可解释性.
- 利用生成组件来实现现实的视网膜图像合成和超学习来加速概括.
主要成果:
- 在糖尿病视网膜病变检测数据集上,RQ-EGMCN模型实现了高性能.
- 最高准确率为95.47%,精度为95.34%,回忆率为95.24%.
- 该模型证明了诊断准确度的提高,计算复杂性的降低,以及增强的多功能性.
结论:
- 拟议的RQ-EGMCN模型为NPDR诊断提供了一个有效的解决方案.
- 可解释的AI组件提高了DR检测中的决策透明度.
- 该模型显示了在糖尿病眼睛护理中临床应用的巨大潜力.
