加强糖尿病视网膜病变多重分类中的病理特征歧视,以自律的渐进式多级培训
Qiuji Zhou1, Yongde Guo2, Wenjian Liu1
1Faculty of Data Science, City University of Macau, Macau SAR, China.
Scientific reports
|July 16, 2025
概括
这项研究引入了一个新的深度学习框架,以改善糖尿病视网膜病变 (DR) 的诊断. 这种先进的方法提高了准确性,特别是在有限的数据下,有助于早期检测和治疗.
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:
- 由于细微的病变和依赖专家评估,糖尿病视网膜病变 (DR) 的诊断具有挑战性.
- 深度学习 (DL) 是有前途的,但经常受到低质量的数据和小样本大小的阻碍.
- 现有的DL方法需要改进,以便在临床环境中进行可靠的DR检测.
研究的目的:
- 开发一种新的深度学习框架,以准确有效地检测糖尿病视网膜病变.
- 为了解决数据的局限性,并加强DR图像分析的特征提取.
- 为了提高早期DR诊断的分类一致性和性能.
主要方法:
- 实施了一种自主节奏的渐进式学习方法,引入从简单到复杂的培训样本.
- 利用随机的多尺度图像重建来进行先进的数据增强和特征提取.
- 使用Kullback-Leibler (KL) 基于分歧的协作规范化来实现分类一致性的集体学习.
主要成果:
- 在集成数据集上的4类分类中获得了0.9907的AUC,比ResNet-50提高了2.2%.
- 无DR类的高回忆率 (97.65%) 和精度 (96.54%) 和严重类的出色表现.
- 在有限的数据上展示了优越的分类和使用多尺度渐进式学习的微妙病变的强有力的局部化.
结论:
- 拟议的深度学习框架显著提高了糖尿病视网膜病变检测的准确性和稳定性.
- 该方法有效地克服了DR诊断中的数据质量和样本大小限制.
- 这一框架显示出在糖尿病视网膜病变查中实际临床部署的巨大潜力.
