轻MG-Net:一个高效的轻量级深度神经网络,用于使用手工制作的统计机制进行视网膜脱落的多类分级

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:

• 视网膜脱落是视力障碍的重要原因,特别是在老年人中.
• 视网膜脱落的早期诊断和分类对于成功恢复视力至关重要,如果及时治疗,几乎有90%的恢复率.
• 准确的视网膜脱落分级对于及时有效的临床干预至关重要.

研究的目的:

• 开发和验证一种新的,优化的,轻量级的多类模型,用于从 fundus 图像分级视网膜脱落.
• 使用人工智能提高早期视网膜脱落分类的准确性和效率.
• 引入LightMG-Net模型,结合手工制作的功能和优化的深度学习,以提高诊断能力.

主要方法:

• 开发LightMG-Net模型,一个轻量级的卷积神经网络.
• 整合图像和面向特征的手工制作技术,用于全面的特征分析.
• 灰狼优化技术的应用,用于神经网络的自动超参数调整.
• 在四个公共数据集上验证模型:视网膜图像银行,白内障图像数据集,Kaggle和眼睛疾病视网膜图像.

主要成果:

• 该LightMG-Net模型实现了高性能指标:95.42%的分类准确度,95.10%的灵敏度,98.90%的特异性,曲线下的面积为0.9947.
• 与现有的基线方法相比,该模型在视网膜脱落的多类分级方面表现出优异的性能.
• 实验结果证实了拟议方法在从 fundus 图像分类视网膜脱落时的有效性.

结论:

• 开发的LightMG-Net模型为视网膜脱落的多类分级提供了高度准确和高效的解决方案.
• 使用人工智能早期准确地对视网膜脱落进行分类,可以显著改善患者的治疗结果,并预防视力丧失.
• 拟议的方法有望在临床应用中帮助眼科医生诊断和管理视网膜脱落.