FISM:利用深度学习和强化学习来精确检测小动脉瘤和视网膜排泄物,用于早期糖尿病视网膜病变诊断

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 糖尿病视网膜病变 (DR) 是全球主要的失明原因,需要准确及时检测.
• 目前的DR检测和细分方法缺乏足够的准确性和稳定性.
• 先进的计算方法对于改善DR诊断和管理至关重要.

研究的目的:

• 开发和评估一个深度学习模型,即基金图像细分模型 (FISM),用于精确检测和细分DR指标.
• 通过先进的图像分析,提高糖尿病视网膜病变诊断的准确性和稳定性.
• 为了识别微动脉瘤和视网膜排泄物,DR的关键指标,高精度.

主要方法:

• 使用了糖尿病视网膜病变数据集 (DDR),其中包含超过13,000张注释的 fundus 图像.
• 开发了基于分段任何模型 (SAM) 的FISM架构,集成了变压器层和补丁嵌入.
• 采用预处理技术,包括基于GAN的数据增强,带分离,规范化,转移学习和强化学习,以适应注意力.

主要成果:

• FISM实现了高性能指标:96.32%的准确性,95.14%的精度,95.25%的回忆和96.33%的F1得分.
• 证明了卓越的细分能力,子系数为94.21%,IOU为96.01%.
• 在早期糖尿病视网膜病变诊断的检测和细分任务中超越了最先进的方法.

结论:

• FISM深度学习模型显著提高了糖尿病视网膜病变检测和细分的准确性和效率.
• 该模型的先进架构和适应性注意力机制为早期DR诊断提供了强大的解决方案.
• 在临床应用中,FISM在预防因糖尿病视网膜病变导致的视力损失方面显示出巨大的潜力.