利用眼底图像进行设备眼病诊断,使用人工智能驱动的轻量级软件硬件框架

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 先进的眼睛成像设备是昂贵的,在资源有限的环境中无法使用.
• 目前用于眼病诊断的机器学习模型面临着计算复杂性和低精度等挑战.
• 专家对眼睛图像的分析可能导致诊断不一致.

研究的目的:

• 开发一个有效的软件硬件框架与边缘AI,以快速准确地识别八种眼睛疾病.
• 创建一个智能,低延迟,具有成本效益的设备,用于在贫困地区检测眼病.
• 为了优化精细的EfficientNetB0模型,使用空间注意力CNN块进行基底图像分析.

主要方法:

• 开发了一个混合管道,将EfficientNet-B0作为特征提取器与ImageNet训练模型结合起来.
• 模型架构被优化为低成本的硬件,利用TensorFlow Lite提高性能.
• 实验使用来自公共和私人来源的13,300张 fundus 图像的数据集进行.

主要成果:

• 精细的EfficientNetB0模型在多标签眼病识别中实现了96.2%的准确性.
• 该系统在Raspberry Pi 5上的每个图像的平均推断时间为5秒.
• 开发的框架表现优于其他模型,如Unet (88%) 和DenseNet169 (91%).

结论:

• 拟议的边缘人工智能框架为早期眼病检测提供了具有成本效益和准确的解决方案.
• 该系统针对低成本硬件进行优化,提高了服务不足地区的可访问性.
• 这种方法通过提供快速可靠的诊断援助来支持眼科医生.