相关实验视频
Updated: Jul 6, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
22.2K
通过视网膜高光谱成像和深度学习检测痴呆症:临床数据集分析和多个架构的比较评估
Wen-Shou Lin1,2, Chia-Ling Chen3, Shih-Wun Liang3
1Neurology Division, Department of Internal Medicine, Kaohsiung Armed Forces General Hospital, No. 2, Zhongzheng 1st Rd., Lingya District, Kaohsiung 80284, Taiwan.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
超光谱成像 (HSI) 通过分析视网膜光谱签名来检测痴呆症. 这种非侵入性技术在早期痴呆症诊断方面表现有前途,性能优于传统方法.
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:
- 痴呆症的诊断具有挑战性,并且通常依赖于认知评估.
- 视网膜变化可能表明系统神经系统疾病,如痴呆症.
- 超光谱成像 (HSI) 从组织提供了详细的光谱信息.
研究的目的:
- 评估HSI与深度学习结合用于痴呆症检测的有效性.
- 为了比较使用原始眼镜图像 (ORI) 和高光谱图像 (HSI) 的模型的诊断性能.
主要方法:
- 分析了来自137名参与者的3256张眼镜图像.
- 使用超光谱转换重建了视网膜的光谱特征.
- 四个深度学习模型 (ResNet50,Inception_v3,GoogleLeNet,EfficientNet) 在ORI和HSI上进行了培训和测试.
主要成果:
- 与基于ORI的模型相比,基于HSI的模型显示出更高的准确性.
- 使用HSI,ResNet50实现了84%的准确性,超过了基于ORI的模型 (80-81%).
- 谷歌LeNet和EfficientNet也在HSI方面表现出更高的准确性.
结论:
- 通过HSI整合光谱信息可以提高对与痴呆相关的视网膜变化的敏感性.
- 在早期和非侵入性痴呆症检测方面,HSI具有显著的潜力.
- 深度学习模型在分析神经系统疾病的HSI数据方面表现有前途.
