Topo-CNN:视网膜图像分析与拓深度学习
Faisal Ahmed1, Mohammad Alfrad Nobel Bhuiyan2, Baris Coskunuzer3
1Department of Data Science and Mathematics, Embry-Riddle Aeronautical University, 3700 Willow Creek Rd, 86301, Prescott, AZ, USA.
Journal of imaging informatics in medicine
|June 25, 2025
概括
这项研究介绍了Topo-CNN,一种使用拓数据分析的AI工具,用于从 fundus 图像中诊断糖尿病视网膜病变 (DR),玻璃眼和与年龄相关的黄斑变性 (AMD),实现高精度.
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
- 计算机视觉 计算机视觉
背景情况:
- 早期检测视网膜疾病,如糖尿病视网膜病变 (DR),玻璃眼和与年龄有关的黄斑变性 (AMD),对于预防视力丧失至关重要.
- 这些疾病的传统诊断方法往往耗费大量资源和时间.
- 对 fundus 图像的自动化分析为有效和准确的疾病查提供了一个有希望的替代方案.
研究的目的:
- 开发一个自动化和可解释的视网膜疾病的诊断框架,使用 fundus 图像分析.
- 引入一种新的拓特征提取技术,以提高疾病检测的性能.
- 将拓特征与深度学习模型集成为混合诊断方法.
主要方法:
- 基于拓数据分析 (TDA) 的拓特征提取方法的开发,以捕捉 fundus 图像中的几何和结构模式.
- 将TDA衍生功能与预训练的卷积神经网络 (CNN) 功能 (例如ResNet-50) 集成到名为Topo-CNN的混合深度学习模型中.
- 在三个公共基准上对Topo-CNN模型的评估:APTOS (DR),ORIGA (眼瘤) 和IChallenge-AMD (AMD).
主要成果:
- 在所有评估的数据集中,Topo-CNN实现了高性能:98.7%的准确性/98.9AUC对二进制DR,95.5AUC对五类DR,93.8%的准确性/93.6AUC对AMD,82.3%的准确性/95.8特异性对青光眼.
- 除研究证实了拓特征对模型诊断精度的重大贡献.
- 拟议的Topo-CNN模型在测试的视网膜疾病数据集上,与现有方法相比,显示出更高的性能.
结论:
- 新的Topo-CNN框架,结合拓特征,提供了一个准确,高效和可解释的方法,用于诊断主要的视网膜疾病从 fundus 图像.
- 拓数据分析为从医学图像中提取有意义的结构信息提供了一种有价值的方法,增强了深度学习模型.
- 这种自动诊断系统有可能提高早期检测率和对视力威胁的视网膜疾病的管理.
