一个基于深度卷积神经网络的新型类平衡,用于不平衡数据分割
Atifa Kalsoom1, M A Iftikhar1, Amjad Ali2
1Department of Computer Science, COMSATS University Islambad, Lahore Campus, Islamabad, Pakistan.
Scientific reports
|July 2, 2025
概括
本研究介绍了BLCB-CNN,这是一种用于视网膜血管细分的深度学习方法. 它有效地平衡数据并增强图像对比度,以提高分析视网膜底图像的准确性.
科学领域:
- 眼科和医学成像学
- 计算机视觉和机器学习
背景情况:
- 视网膜底部图像对于诊断眼睛疾病至关重要,揭示了诸如血管,视觉盘,斑点和眼等结构.
- 视网膜血管的准确细分受到像素分布不平衡和血管厚度变化的阻碍.
研究的目的:
- 提出一种新的深度学习管道,BLCB-CNN,用于准确的视网膜血管细分.
- 为了应对数据不平衡和视网膜底部图像中不同血管厚度的挑战.
主要方法:
- 开发了一种双级类平衡卷积神经网络 (BLCB-CNN),包含一级 (容器/非容器) 和二级 (厚/薄容器) 平衡.
- 采用了预处理技术,包括全球对比度规范化 (GCN),对比度有限的自适应直方图平衡 (CLAHE) 和马校正.
- 在从预处理的视网膜图像中获得的平衡数据集上使用基于分类的细分方法.
主要成果:
- 在标准视网膜底部图像上取得了卓越的性能,ROC曲线下的面积为98.23%,准确度为96.22%,灵敏度为81.57%,特异性为97.65%.
- 通过对STARE图像进行外部交叉验证,表现出强大的概括能力.
结论:
- 通过解决数据不平衡和提高图像质量,BLCB-CNN管道有效地对视网膜血管进行细分.
- 拟议的方法显示了在临床环境中改善视网膜血管结构分析的巨大潜力.
