相关实验视频
Updated: Jul 3, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.8K
使用基底图像上的自适应性深卷积神经网络检测糖尿病视网膜病变
Rashid Abbasi1, Farhan Amin2, Amerah Alabrah3
1College of Computer Science and Artificial Intelligence, Wenzhou University, Wenzhou, 325035, China.
Scientific reports
|July 9, 2025
概括
这项研究引入了适应性增强的深卷积神经网络 (DCNN),以改善底部图像质量,以更好地诊断糖尿病视网膜病变 (DR). 该模型在低质量的视网膜图像中增强了对比度,提高了自动化分析的性能.
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:
- 糖尿病视网膜病变 (DR) 导致视网膜神经和血管系统的病态变化.
- Fundus成像对于DR诊断至关重要,但像不均的照明和低对比度等图像质量问题阻碍了自动分析.
- 低质量的视网膜图像对精确的细分和计算机辅助诊断提出了挑战.
研究的目的:
- 提出一种基于自适应增强的深卷积神经网络 (DCNN) 模型,以提高糖尿病视网膜病变 (DR) 诊断的 fundus 图像的质量.
- 解决自动诊断系统中低对比度和质量差的视网膜图像所带来的挑战.
- 提高 fundus 图像的感知度和分类准确性,特别是那些具有低对比度的图像.
主要方法:
- 开发了一种基于自适应增强的DCNN模型,包含一个自适应的马增强矩阵,用于优化颜色通道和对比度标准化.
- 集成基于量子的历史图平衡,以提高 fundus 图像的可感知性.
- 使用梅西多尔数据集评估模型的效率,比较原始和增强图像的性能指标.
主要成果:
- 拟议的模型显示 fundus 彩色图像的显著改进,特别是在低对比度的例子中.
- 获得了0.1942的平均评分 (SD:0.0799),PSNR为28.79和SSIM为0.71的增强图像.
- 与传统方法相比,DCNN模型实现了更高的分类准确性,表明了CNN和转移学习的有效性.
结论:
- 适应性增强的DCNN模型有效地改善基底图像对比度,而不会改变结构信息.
- 拟议的方法提供了一个强大的解决方案,用于增强低质量的视网膜图像,这对于准确的糖尿病视网膜病变自动诊断至关重要.
- 该研究强调了深度学习方法的优越性,特别是CNN和转移学习,在分析和分类视网膜图像的眼科疾病.
