基于卷积神经网络的视网膜疾病的多模式分类.
Hongyi Pan1, Jingpeng Miao2, Jie Yu2
1Department of Biomedical Engineering, Beijing International Science and Technology Cooperation Base for Intelligent Physiological Measurement and Clinical Transformation, Beijing University of Technology, Beijing 100124, People's Republic of China.
Biomedical physics & engineering express
|July 3, 2025
概括
这项研究引入了一种新的多模式深度学习模型,集成光学连贯断层扫描 (OCT) 和OCT血管扫描 (OCTA),用于准确的视网膜疾病诊断. 该模型提高了分类的准确性和效率,有助于早期检测和预防失明.
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:
- 与年龄相关的黄斑变性和糖尿病视网膜病变等视网膜疾病会导致不可逆转的失明,如果不及时诊断和治疗.
- 光学一致性断层扫描 (OCT) 和OCT血管扫描 (OCTA) 提供互补的视网膜视图,在集成时提高诊断准确性.
- 当前的诊断方法可能受到人为错误,成本和需要专业知识的限制.
研究的目的:
- 开发和验证用于视网膜疾病自动诊断的多模式深度学习分类模型.
- 通过整合OCT和OCTA成像模式来提高视网膜疾病分类的准确性和效率.
- 解决医疗图像分析深度学习模型中有限的培训数据和阶级不平衡的挑战.
主要方法:
- 设计了一种新的双分支多模式分类模型,使用中间融合集成OCT和OCTA图像.
- 预处理技术包括亮线裁剪,以去除黑色边缘和保存病变特征.
- 用数据增强和松散匹配方法来克服数据不足,加上两步培训策略.
主要成果:
- 多模式模型在外部测试集上实现了高性能指标:0.9667的平均准确度,0.9418的精度,0.8569的回忆,0.9422的特异性和0.8921的F1-Score.
- 与单模模型和早期/晚期融合多模方法相比,拟的模型显示出更高的准确性.
- 该模型有效地处理有限和不平衡的培训数据集,显示强大的性能.
结论:
- 综合的OCT和OCTA多模式模型为诊断视网膜疾病提供了更准确,更有效的方法.
- 这种人工智能驱动的解决方案可以减少人为错误,降低查成本,并使视网膜疾病的群体查更加统一和有效.
- 开发的模型提供了一种可行的解决方案,用于提高医学成像中的深度学习性能,特别是在有限或不平衡的数据的情况下.
