3、眼科疾病检测与分类的深度学习方法研究

眼科疾病检测与分类的深度学习方法研究

1. 糖尿病视网膜病变（DR）检测研究

1.1 DR研究中的分类性能

在DR检测研究中，采用光学相干断层扫描血管造影（OCTA）技术，对不同类别（对照组、DR患者、无DR患者）进行分类性能评估，具体数据如下表所示：
| 类别 | 无数据增强 - 准确率（%） | 有数据增强 - 准确率（%） | 无数据增强 - 敏感度（%） | 有数据增强 - 敏感度（%） | 无数据增强 - 特异度（%） | 有数据增强 - 特异度（%） |
| — | — | — | — | — | — | — |
| 对照组 | 75.75 ± 2.30 | 83.03 ± 4.45 | 89.70 ± 5.46 | 92.73 ± 3.04 | 60.73 ± 2.90 | 72.36 ± 6.67 |
| DR患者 | 88.74 ± 2.20 | 85.89 ± 3.59 | 60.76 ± 14.27 | 59.62 ± 13.88 | 95.39 ± 1.82 | 92.04 ± 3.59 |
| 无DR患者 | 77.58 ± 4.66 | 85.89 ± 3.04 | 32.67 ± 3.00 | 58.50 ± 11.17 | 91.37 ± 3.94 | 96.53 ± 2.02 |

1.2 模型在OCTAGON数据集上的验证

为测试模型对不同设备采集的OCTA扫描图像的分类泛化能力，使用OCTAGON数据集，将糖尿病患者（包括DR和无DR患者）归为一类，与对照组进行分类。
- 在NHS Lothian数据集上，将DR和无DR患者合并为一类后，有数据增强时分类准确