基于CNN模型的糖尿病视网膜病变检测增强：UNET与Stacked UNET架构的比较研究
图像与视频处理
2025-01-22 v2 计算机视觉与模式识别
机器学习
摘要
糖尿病视网膜病变(DR)是糖尿病的严重并发症。受损或异常的血管可能导致视力丧失。对大量糖尿病患者群体进行大规模筛查的需求催生了利用计算机辅助进行DR全自动诊断的兴趣。在深度学习框架中，特别是卷积神经网络(CNN)在通过分析视网膜图像检测DR方面展现出了巨大的兴趣和前景。然而，深度学习在该领域的应用面临诸多挑战。高质量标注数据集稀缺，图像质量和类别不平衡的变化为开发可靠的模型构成了重大障碍。在本文中，我们展示了两种基于卷积神经网络(CNN)的模型——UNET和Stacked UNET——在APTOS亚太眼科学会数据集上的优异性能。该系统UNET达到92.81%的准确率，Stacked UNET架构达到93.32%的准确率。该架构将图像分类为五个类别，从0到4，其中0表示无DR，4表示增殖性DR。
引用
@article{arxiv.2411.01251,
title = {Enhancing Diabetic Retinopathy Detection with CNN-Based Models: A Comparative Study of UNET and Stacked UNET Architectures},
author = {Ameya Uppina and S Navaneetha Krishnan and Talluri Krishna Sai Teja and Nikhil N Iyer and Joe Dhanith P R},
journal= {arXiv preprint arXiv:2411.01251},
year = {2025}
}