基于视网膜图像的疾病分类使用混合深度架构,改进图像功能
L B Lisha1, Sylaja Vallee Narayan S R2
1Department of Computer Science and Engineering, Ponjesly College of Engineering, Alamparai, Parvathipuram, Nagercoil, Kanyakumari, Tamil Nadu, 629003, India. lishazenith@gmail.com.
International ophthalmology
|August 5, 2025
概括
这项研究引入了一种新的混合深度学习 (DL) 模型,ILink-SqNet,用于从 fundus 图像进行增强的视网膜疾病分类. ILink-SqNet模型实现了卓越的精度,提高了诊断准确性和临床效率.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 视网膜底部成像对于诊断眼睛疾病至关重要.
- 目前用于检测视网膜疾病的机器学习方法在准确性和速度方面面临挑战.
- 眼科中需要改进的自动诊断工具.
研究的目的:
- 为准确的视网膜疾病分类提出一种新的混合深度学习 (DL) 方法.
- 为了提高自动视网膜图像分析的性能.
- 克服现有的疾病检测方法的局限性.
主要方法:
- 开发了一个混合DL模型,ILink-SqNet,结合了Improved LinkNet (ILinkNet) 和SqueezeNet.
- 视网膜图像通过修改的高斯过进行了预处理.
- 功能提取涉及ResNet,VGG16,改进的多文本和统计功能.
主要成果:
- 该ILink-SqNet模型实现了0.951.1的高精度.
- 这一表现显著超过了现有模型,如MobileNet,SpinalNet和LinkNet.
- 混合方法在视网膜疾病分类方面表现出卓越的准确性.
结论:
- 拟议的ILink-SqNet方法为视网膜疾病的分类提供了一个强大而有效的解决方案.
- 这一进步可以改善患者的治疗结果.
- 该模型有助于在眼科医学的更有效的临床实践.
