FGSO_FractalNet:使用分数组搜索优化器启用的FractalNet用于使用OCT图像检测糖尿病黄斑
Kiran Kadakuntla1, S V Viraktamath1
1Department of Electronics and Communication Engineering, SDM College of Engineering and Technology, Dharwad, Karnataka, India. Affiliated to Visvesvaraya Technological University, Belagavi-590018, India.
Microscopy research and technique
|June 27, 2025
概括
早期发现糖尿病黄斑 (DME) 对于保持视力至关重要. 一个新的FGSO_FractalNet模型有效地从OCT图像中检测DME,在试验中达到90%以上的准确性.
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:
- 糖尿病黄斑 (DME) 是糖尿病的严重并发症,导致视网膜胀导致视力丧失.
- 早期发现和治疗DME对于管理这种情况和预防不可逆转的视力损伤至关重要.
研究的目的:
- 引入一个创新的深度学习模型,Fractional Group Search Optimizer-enabled FractalNet (FGSO_FractalNet),用于准确检测糖尿病黄斑.
- 评估拟议的FGSO_FractalNet模型在使用光连贯断层扫描 (OCT) 图像识别DME方面的性能.
主要方法:
- 该研究使用光学连贯断层扫描 (OCT) 图像来检测DME.
- 使用E-Net算法进行了层分段,随后进行了图像增强.
- 使用FractalNet进行特征提取和DME检测,并与拟议的分数组搜索优化器 (FGSO) 进行训练,该优化器集成分数计算 (FC) 和组搜索优化器 (GSO).
主要成果:
- FGSO_FractalNet模型在两个数据集上实现了高性能指标.
- 数据集1结果:准确率为91.333%,灵敏度为90.174%,特异性为90.56%.
- 数据集2的结果:准确率为89.506%,灵敏度为88.371%,特异性为88.75%.
结论:
- 拟议的FGSO_FractalNet模型显示了用于准确和可靠地检测糖尿病黄斑的显著潜力.
- 将FGSO与FractalNet集成,为眼科中OCT图像的自动化分析提供了一个有前途的方法.
