基于集成深度学习的眼底图像红色损伤检测方法
本研究旨在开发一个增强型深度学习模型,用于诊断糖尿病视网膜病变,从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变,首先从视网膜底部图像中提取特征并进行分类,然后使用 EDLM 进行降维,并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估,并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。
May, 2023
这项研究探讨了糖尿病视网膜病变(DR)这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络(CNNs)进行迁移学习的提出的方法,通过一张眼底照片实现自动 DR 检测,在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献,从经典计算机视觉方法到深度学习方法,特别关注 CNNs。它发现了研究中的空白,强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献,并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构,包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后,对医学图像分析领域做出重要贡献。
Jan, 2024
提出一种基于集成学习的方法,该方法利用多种视网膜图像处理算法提取的特征,如显微血管瘤、渗出物等部位及黄斑、视盘等解剖结构来筛查糖尿病视网膜病变。该方法在公开的 Messidor 数据库上测试取得了 90% 的敏感性,91% 的特异性和 90% 的准确性及 0.989 的 AUC 指标,表明视网膜图像处理是一种有效的糖尿病视网膜病变筛查方法。
Oct, 2014
该研究提出了一种基于两阶段深度卷积神经网络的自动糖尿病视网膜病变分析算法,能够精确定位和识别图像中的病变类型,评估病变严重程度,并且引入了不平衡权重映射以更好地识别病变区域,实验结果表明该算法在 DR 检测和评分方面效果显著。
May, 2017
应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注,我们通过提出一种新型的卷积神经网络模型,借助眼底图像作为输入,可以识别到糖尿病视网膜病变的严重程度,并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类,能够提供准确的诊断结果并且不需要额外用户输入,我们提供了初步结果表明灵敏度为 97% 准确性为 71%,我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型,我们的模型推动了糖尿病视网膜病变检测领域的发展,是向以人工智能为重点的医学诊断迈进的重要一步。
Oct, 2023
该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法,采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上,测试集准确率达到 99.96%,并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强(SVE)” 方法,经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后,提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类,结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能,测试集的整体准确率达到 99.96%,14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。
May, 2024
本文提出了一种名为 “Lesion-Net” 的新型全卷积网络,通过像素级视网膜病变分割和图像级疾病分类相结合,解决了糖尿病性视网膜病变分级的三大挑战,即缺乏客观边界的病变、病变的临床重要性与其大小无关,以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验,表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。
Dec, 2019
本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素,同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中,与其他热图检测算法相比,表现出更好的检测性能。
Oct, 2016