利用EfficientNet-B5从眼底摄影检测糖尿病视网膜病变的严重程度

@@南风

于 2021-09-26 13:23:31 发布

阅读量911

点赞数

分类专栏：农作物病害识别与分类文章标签：深度学习人工智能机器学习

本文链接：https://blog.youkuaiyun.com/weixin_45592298/article/details/120486712

版权

农作物病害识别与分类专栏收录该内容

104 篇文章 ¥99.90 ¥299.90

订阅专栏

本文介绍了一种基于EfficientNet-B5的深度学习方法，用于从眼底摄影中检测糖尿病视网膜病变（DR）的严重程度。通过预训练的CNN模型，对眼底图像进行处理和分类，实现DR的精确识别。实验结果显示，该方法在训练集和测试集上的准确率分别为0.9402和0.9333，提高了DR检测的效率和准确性，有助于提前诊断和减轻DR的严重影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Abstract

糖尿病性视网膜病变(DR)在许多糖尿病患者中普遍存在。它是糖尿病患者视网膜组织损伤的一种非常重要的疾病。甚至，在极端情况下，它可能会导致长期患DR的患者永久失明。因此，有必要尽快诊断这些患者，以减轻dr的严重影响。早期就提出了几种方法来识别该疾病，包括机器学习算法、图像处理等。在这项工作中，基于卷积神经网络(CNN)的预训练机器学习算法，以加速诊断DR的严重程度，利用眼底摄影患者的视网膜图像。图像分为五个不同的等级，定义了疾病的严重程度。我们使用了EfficientNet-B5和一个优化阈值来进一步改善结果。我们在训练集和测试集上的准确率分别为0.9402和0.9333，用二次加权Kappa分数表示。这证明了我们的方法在DR分类中的有效性。因此，我们的工作可以帮助DR患者降低终身失明的可能性。

Index Terms—Deep Learning, CNN, Diabetic Retinopathy,
EfficientNet-B5, Fundus Photography