基于深度学习的狗白内障的分类从眼部B模式超声图像

科学领域:

• 兽医眼科医生 兽医眼科医生
• 兽医领域的人工智能
• 医疗图像分析 医学图像分析

背景情况:

• 白内障是狗视力受损的主要原因,需要及时诊断才能有效管理.
• 准确及时诊断狗白内障对于保持视力和改善治疗结果至关重要.

研究的目的:

• 开发和评估深度学习模型,以使用眼睛超声波图像进行自动化狗白内障分类.
• 评估各种深度学习架构在区分不同类型的狗白内障方面的性能.

主要方法:

• 一个数据集的 3155 狗眼睛超声波图像被策划,包括"没有白内障"",皮质"",成熟"和"超成熟"的分类.
• 四个深度学习模型 (AlexNet,EfficientNetB3,ResNet50,DenseNet161) 被训练和验证,使用数据增强和规范化来处理类不平衡.
• 使用准确性,F1分数,混矩阵分析,接收器操作特征 (ROC) 曲线和梯度加权类激活映射 (Grad-CAM) 进行解释性来评估性能.

主要成果:

• DenseNet161表现出卓越的性能,达到92.03%的测试准确率和0.8744.1的F1得分.
• 该模型在分类"没有白内障" (99.0%),"皮质" (90.3%) 和"成熟" (86.5%) 白内障方面表现出很高的准确性,其中"超成熟"白内障被分类为78.6%.
• ROC分析给出了0.99的曲线下面面积 (AUC),表明强大的区分能力,Grad-CAM证实了对相关眼部区域的关注.

结论:

• 开发的深度学习框架显示出有很大的潜力,可以帮助兽医客观和有效地诊断狗白内障.
• 使用深度学习的狗白内障的自动分类可以提高诊断准确性,并支持兽医眼科的临床决策.
• 这种人工智能驱动的方法为改善白内障管理提供了一个有希望的工具,白内障是狗视力丧失的常见原因.