PCANN:基于区块链的糖尿病视网膜病变检测的主要卷积分析神经网络
相关实验视频
Updated: Jul 26, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
Somasundaram Krishnamoorthy1, Sivakumar Paulraj2, Baskaran Periyasamy3
1Department of Information Security, School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Current eye research
|December 1, 2025
概括
这项研究介绍了一种基于区块链的新型系统,使用主要卷积分析神经网络来准确地分类糖尿病视网膜病变. 综合方法增强了数据完整性和患者隐私,用于早期发现疾病.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 糖尿病视网膜病变 (DR) 是导致失明的主要原因,需要通过 fundus 图像分析进行早期检测.
- 准确的DR诊断是复杂的,需要专家解释,并对电子健康记录管理提出挑战.
- 由于在培训期间未经授权的访问,现有的方法可能会危及患者数据的隐私.
研究的目的:
- 使用区块链和主要卷积分析神经网络 (PCANN) 开发糖尿病视网膜病变分类的先进模块.
- 加强医疗保健数据管理中的数据完整性和患者隐私,用于DR检测.
- 为了提高糖尿病视网膜病变诊断的准确性和效率.
主要方法:
- 为了安全处理数据,进行了区块链模拟.
- 图像预处理涉及高斯过,使用LadderNet进行病变细分和Sine-Net进行血管细分.
- 在原始,病变分段和血管分段图像上进行特征提取,然后使用拟议的PCANN进行分类.
主要成果:
- 区块链支持的PCANN实现了高性能指标.
- 关键结果包括90.9%的准确率,91.9%的真阳性率和92.5%的真阴性率.
- 报告的其他指标是89.4%的正预测值,88.4%的负预测值和75.5%的马修斯相关系数.
结论:
- 将PCANN与区块链集成显著改善了数据完整性和患者隐私.
- 这种方法为糖尿病视网膜病变的早期诊断和治疗提供了一个有希望的解决方案.
- 该系统可确保准确有效地检测糖尿病视网膜病变,帮助临床决策.
