D-TNet:一种混合型密度网变压器模型,用于强大的糖尿病视网膜病变检测
Priyadharshini Sekar1, Ramasubramanian Bhoopalan1, N Nagaprasad2
1Department of ECE, SRM TRP Engineering College, Tamil Nadu, Trichy, India.
Scientific reports
|November 12, 2025
概括
一个新的混合深度学习模型,D-TNet,通过视网膜图像准确地检测糖尿病视网膜病变 (DR) 的严重程度. 这种人工智能方法可以改善糖尿病患者的早期诊断和视力丧失的预防.
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) 是导致失明和糖尿病严重并发症的主要原因.
- 早期的DR检测和严重程度评估对于预防视力丧失至关重要.
- 通过视网膜图像进行手动DR诊断是耗时且主观的.
研究的目的:
- 开发一种先进的人工智能模型,用于准确的糖尿病视网膜病变严重程度分级.
- 克服现有的AI方法在DR分类性能和通用性方面的局限性.
主要方法:
- 开发了一种混合深度学习 (DL) 模型,D-TNet,它结合了DenseNet121和变压器架构.
- 该模型在来自APTOS2019和Messidor-2数据集的视网膜图像上进行了训练和测试.
- D-TNet识别了关键的DR指标,如微动脉瘤,出血和新血管.
主要成果:
- 在APTOS2019数据集上,D-TNet实现了97%的准确性,在Messidor-2数据集上达到86%的准确性.
- 在两个数据集中都获得了高F1分数 (0.94和0.79) 和卡帕分数 (0.93和0.80).
- 该模型展示了在所有五个DR严重程度阶段的强大和平衡的分类.
结论:
- D-TNet模型为DR严重程度分级提供了稳定和平衡的方法,优于传统的AI方法.
- 这种混合DL策略有可能提高糖尿病患者的眼睛护理,特别是在资源有限的环境中.
- 未来的工作包括多式联运数据集成和域调整,以便在现实世界中部署.
