一个多模型的图像增强和定制的U-Net架构,用于强大的糖尿病视网膜病变分级
Archana Singh1, Sushma Jain1, Vinay Arora1
1Department of Computer Science and Engineering, Thapar Institute of Engineering and Technology, Patiala 147004, Punjab, India.
Diagnostics (Basel, Switzerland)
|September 27, 2025
概括
本研究提出了一个AI框架,用于从视网膜图像对糖尿病视网膜病变 (DR) 的分类. 该系统达到99%以上的准确性,有助于早期检测和预防视力丧失.
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) 是糖尿病患者可预防的视力丧失的主要原因.
- 早期的DR检测至关重要,但由于细微的进展和手动查的局限性,具有挑战性.
- 这项研究针对DR的早期诊断和细粒度病变识别.
研究的目的:
- 引入基于人工智能的框架,用于强大的多类糖尿病视网膜病变分类.
- 增强早期诊断和视网膜底部图像中的病变歧视.
- 为DR查开发一个可扩展和可解释的解决方案.
主要方法:
- 一个混合人工智能框架,包括预处理,混合本地-全球视网膜超分辨率 (HLG-RetinaSR) 模块和层次分类.
- 该HLG-RetinaSR模块结合了可变形卷积网络和视觉变压器.
- 分类使用CNN,DenseNet-121和RefineNet-U架构的等级方法.
主要成果:
- 通过HLG-RetinaSR和RefineNet-U的方法,在所有DR严重程度上实现了精度,回忆,F1得分和准确度超过99%.
- 该系统有效地突出了血管异常,并减少了背景噪音.
- 性能在准确性和稳定性方面超过了现有的最先进的方法.
结论:
- 拟议的混合人工智能管道为DR查提供了一个可扩展,可解释和临床相关的解决方案.
- 该系统提高了诊断可靠性,支持糖尿病视网膜病变的早期干预.
- 这种人工智能工具有可能显著帮助眼科医生减少可预防的视力丧失.

