相关实验视频
Updated: May 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
通过通用跨摄像头图像适应来增强基于人工智能的糖尿病视网膜病变诊断
Sanil Joseph1,2,3, Xiaotian Chen4, Chi Liu5
1Ophthalmic Epidemiology, Centre for Eye Research Australia, East Melbourne, Victoria, Australia sanil@aravind.org Zongyuan.ge@monash.edu mingguang.he@polyu.edu.hk.
BMJ open ophthalmology
|November 22, 2025
概括
深度学习风格的适应策略改善了用于糖尿病视网膜病变 (DR) 检测的人工智能 (AI). 这种方法提高了不同摄像头系统的诊断准确性和通用性,可能提高了早期DR诊断的可访问性.
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:
- 糖尿病视网膜病变 (DR) 是全球导致失明的主要原因.
- 目前用于DR检测的AI模型通常在不同的 fundus 摄像系统中难以通用.
- 图像采集和风格的变化可以显著影响AI诊断性能.
研究的目的:
- 评估基于深度学习的风格适应策略,以提高DR检测中的AI诊断精度.
- 在风格调整后评估AI模型的跨摄像头通用性.
- 调查风格调整对减少错误阳性和维持诊断性能的影响.
主要方法:
- 未来的诊断研究涉及50岁以上的患者在印度的第三级眼科医院.
- 使用Optain Resolve和Topcon NW400 fundus摄像头捕获的双对视网膜图像.
- 应用风格一致的视网膜图像转换网络 (SCR-Net) 进行风格对齐.
- 基于InceptionNeXt-T的AI模型在不同的培训和测试场景下进行评估,包括适应风格的图像.
主要成果:
- 混合培训/测试方法与风格调整实现了最高的诊断准确性 (79.2%).
- 风格调整保留了关键的诊断特征和图像质量 (PSNR:29.35,SSIM:0.847).
- 减少了Optain图像中的假阳性,并保持了Topcon图像的强大性能,解决了跨摄像头的变化.
结论:
- 使用SCR-Net的风格调整增强了DR检测的AI一致性和通用性.
- 这种方法减少了假阳性,并在各种相机系统中保持了强大的性能.
- 具有民主化早期DR诊断的潜力,尽管需要在各种环境中进一步验证.
