TL-GWO:精准调整的转移学习与灰狼优化器,以准确地基于眼底图像的眼病分类

科学领域:

• 眼科 眼科
• 计算机视觉
• 人工智能

背景情况:

• 糖尿病视网膜病变和玻璃眼是导致视力丧失的主要原因.
• 早期发现和诊断对于有效治疗至关重要.
• 自动化系统可以帮助查和诊断.

研究的目的:

• 开发一个自动诊断框架来检测糖尿病视网膜病变,青光眼和健康的视网膜.
• 使用灰狼优化器 (GWO) 优化转移学习 (TL) 模型.
• 增强图像预处理和数据增强以提高性能.

主要方法:

• 使用了转移学习的骨干 (DenseNet121,ResNet50,ResNet101V2,InceptionResNetV2,Xception).
• 使用灰狼优化器 (GWO) 进行架构和超参数优化.
• 应用对比限度自适应基因图平衡 (CLAHE) 和数据增强.

主要成果:

• ResNet101V2模型获得了最高的准确度 (89.32%) 和F1得分 (89.37%).
• 由GWO驱动的优化显著提高了模型的概括性和稳定性.
• 在所有评估指标中,该框架表现优于其他架构.

结论:

• 将TL策略与元听觉优化相结合,为眼科疾病的检测提供了可靠的方法.
• 拟议的框架显示了可扩展的计算机辅助诊断系统的潜力.
• 自动检测系统可以提高诊断眼睛疾病的效率和准确性.