.png){kind=icon}
返回
DeepRetina Framework for Multi-retinal Diseases Classification
.png){kind=icon}
OA
AI
DOI：10.1007/s13369-025-10888-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视网膜疾病的诊断是开发鲁棒的多疾病分类系统的基本挑战，这是由于数据集的可用性有限且质量不一致。因此，本研究提出了一种名为$$\text{DeepRetina}$$的框架，通过数据集协调来应对这些挑战。五个不同的视网膜图像数据集通过系统预处理进行了统一，形成了一个包含29,966张高分辨率眼底图像的整合数据集，涵盖八个疾病类别。数据协调校正了因不同成像设备或条件导致的图像质量、颜色和光照差异。数据协调通过标准化图像的颜色和纹理特性，增强了模型在多样化数据集上的泛化能力。本研究比较了自定义CNN、EfficientNetV2和MobileNetV3Large架构在多疾病分类中的性能。EfficientNetV2达到了79%的最高准确率，精确率为54%。所提出的方法通过（1）建立协调异构数据集的鲁棒方法，（2）提供用于未来研究的大规模统一数据集，以及（3）呈现针对视网膜疾病分类优化的深度学习架构的比较分析，显著推动了该领域的发展。$$\text{DeepRetina}$$为可扩展且准确的自动化视网膜疾病诊断奠定了基础，有助于改善眼科中的检测和分类。
Keyword:
Data harmonization
EfficientNetV2
Medical image analysis
Retinal disease classification
Unified dataset
期刊
A
IF:
2.9
论文数:
1.1K
被引数:
0
机构
暂无机构信息
引用论文
Deep learning for predicting circular retinal nerve fiber layer thickness from fundus photographs and diagnosing glaucoma基于眼底照片预测视网膜环形神经纤维层厚度及青光眼诊断的深度学习.png)
HELIYON
OAAI
HELIYONIF3.6
OAAI分享收藏分享收藏Emerging Trends and Research Foci in Artificial Intelligence for Retinal Diseases: Bibliometric and Visualization Study视网膜疾病人工智能的新兴趋势和研究热点: 文献计量学和可视化研究OAAI
OAAI分享收藏
查看更多内容