彻底改变了AMD检测Bi模型CNN和混合功能选择,用于自动分级
Jamal Alsamri1, Mohammad Alamgeer2, Ali Alqazzaz3
1Department of Biomedical Engineering, College of Engineering, Princess Nourah bint Abdulrahman University, P.O. Box 84428, Riyadh, 11671, Saudi Arabia.
Scientific reports
|October 13, 2025
概括
这项研究引入了一个先进的框架,用于自动化与年龄相关的黄斑变性 (AMD) 从底部图像进行分级,达到99.5%的准确性. 双模型CNN模型提高了早期疾病检测和治疗的有效性.
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:
- 与年龄相关的黄斑变性 (AMD) 是老年人群视力丧失的主要原因.
- 从 fundus 图像对 AMD 的自动分级对于早期检测和及时干预至关重要.
研究的目的:
- 开发一个全面的框架,以提高 fundus 图像质量和提高自动 AMD 评分精度.
- 为精确的AMD分级引入一种新的双模型卷积神经网络 (CNN) 架构.
主要方法:
- 图像预处理使用对比限度自适应直方体平衡 (CLAHE) 和马校正.
- 混合功能选择,结合手工制作和深度学习功能.
- 一个双模型CNN架构整合全球和本地特征从基金图像和补丁.
主要成果:
- 拟议的Bi-CNN + Feature Fusion模型实现了99.5%的准确性.
- 该模型表现出高性能,精度为 (0.995),回忆 (0.995) 和F1得分 (0.995).
- 科恩的卡帕值为0.990表示预测和实际的AMD等级之间几乎完全一致.
结论:
- 开发的框架显著提高了 fundus 图像质量和自动化 AMD 分级精度.
- 双模型CNN架构有效地利用全球和本地特征进行精确的AMD检测.
- 这种方法有望更有效地早期识别AMD,改善患者的治疗结果.