使用深度学习分割算法检测和分类糖尿病视网膜病变以促进转诊建议用于检测和治疗预测
图像与视频处理
2024-01-08 v1 计算机视觉与模式识别
摘要
本研究论文解决了糖尿病视网膜病变（DR）这一严重并发症的关键挑战，该并发症可导致失明。所提出的方法利用迁移学习与卷积神经网络（CNN）通过单张眼底照片自动检测DR，在APTOS 2019失明检测竞赛中取得了0.92546的二次加权kappa分数，显示出高效性。本文回顾了现有的DR检测文献，涵盖从经典计算机视觉方法到深度学习方法，特别关注CNN。它指出了研究中的空白，强调了在将预训练大语言模型与分割图像输入相结合以生成建议和理解Web应用上下文中的动态交互方面缺乏探索。目标包括开发全面的DR检测方法、探索模型集成、通过竞赛排名评估性能、对DR检测方法做出重大贡献以及识别研究空白。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模型高效分割视网膜结构，包括血管、硬性和软性渗出物、出血、微动脉瘤和视盘。在Jaccard、F1、召回率、精确率和准确率方面的高评估分数突显了该模型在增强视网膜病理评估诊断能力方面的潜力。这项研究的成果有望通过及时诊断和干预改善糖尿病视网膜病变患者的预后，为医学图像分析领域做出重大贡献。
引用
@article{arxiv.2401.02759,
title = {Detection and Classification of Diabetic Retinopathy using Deep Learning Algorithms for Segmentation to Facilitate Referral Recommendation for Test and Treatment Prediction},
author = {Manoj S H and Arya A Bosale},
journal= {arXiv preprint arXiv:2401.02759},
year = {2024}
}