ODDM:将SMOTE Tomek与对不平衡色底图像的深度学习进行整合,用于对多种眼部疾病进行分类

科学领域:

• 眼科 眼科
• 人工智能
• 医学成像

背景情况:

• 眼部疾病 (OD) 是一个重要的诊断挑战,延迟检测可能导致失明.
• 深度学习 (DL) 模型在改善OD识别方面表现有前途.
• 准确及早诊断对于有效治疗和维护视力至关重要.

研究的目的:

• 开发一个多分类深度学习模型来识别七种类型的眼部疾病.
• 提出一个定制的卷积神经网络 (CNN) 模型,称为眼部疾病检测模型 (ODDM).
• 使用彩色基底图像对ODDM的性能进行评估.

主要方法:

• 一个定制的CNN模型,ODDM,被开发用于分类七种眼部疾病:正常的,与年龄相关的黄斑变性,糖尿病视网膜病变,青光眼,黄斑病变,非扩散性糖尿病视网膜病变和扩散性糖尿病视网膜病变.
• 在公开可用的眼病数据集 (ODD) 上进行了ODDM培训和测试.
• 使用SMOTE Tomek (SM-TOM) 技术来解决数据集中的类不平衡. 性能与DenseNet-201,EfficientNet-B0,Inception-V3,MobileNet,Vgg-16,Vgg-19和ResNet-50进行了对比.

主要成果:

• ODDM实现了98.94%的曲线下面面积 (AUC),准确率为97.19%,回忆率为88.74%,精度为95.23%,F1得分为88.31%.
• 使用ANOVA和Tukey HSD后期测试证实了统计学意义.
• 与七个基线模型和其他最先进的方法相比,ODDM表现优越.

结论:

• 拟议的ODDM提供了一个高度准确和有效的深度学习解决方案,用于多类眼部疾病的分类.
• 该模型的卓越性能表明它有可能被整合到临床环境中,用于早期和可靠的OD诊断.
• 这种人工智能驱动的方法有望改善患者的治疗结果,并减少因眼部疾病而导致的失明.