研究目的
提出RetoNet——一种用于从眼底图像中自动检测视网膜疾病的深度学习架构，旨在为年龄相关性黄斑变性和糖尿病视网膜病变提供一种经济高效且便捷的诊断工具。
研究成果
RetoNet在检测视网膜疾病方面实现了高精度，展示了深度学习在自动化医疗诊断中的潜力。未来的工作可能涉及更大规模的数据集和分布式深度学习以实现可扩展性。
研究不足
所使用的数据集规模不大，这可能会限制性能；由于保密原因，公众获取医学图像数据集受到限制；由于数据集差异较大，使用VGGNet进行迁移学习的效果并不理想。
1：实验设计与方法选择：
本研究从零开始设计并训练了一个名为RetoNet的卷积神经网络（CNN）架构，并将其与基于VGGNet的迁移学习模型进行比较。方法包括数据预处理、增强以及使用RMSProp优化。
2：样本选择与数据来源：
使用了ARIA数据集，包含来自61名健康受试者、59名糖尿病视网膜病变患者和23名AMD患者的眼底图像。图像通过蔡司FF450+眼底相机拍摄。
3：实验设备与材料清单：
蔡司FF450+眼底相机用于图像采集；微软Azure云上的计算资源；软件工具包括Keras（后端为TensorFlow）。
4：实验流程与操作步骤：
图像从TIFF格式转换为JPEG格式，进行归一化处理，并通过翻转和缩放进行增强。数据集按80:20的比例划分为训练集和测试集。RetoNet经过150个周期的训练，并进行了超参数调优。
5：数据分析方法：
基于准确率、损失曲线评估性能，并通过与现有方法的比较（如准确率百分比）进行评估。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Zeiss FF450+ fundus camera
FF450+
Zeiss
Used to capture fundus images of the retina for the dataset.
-
Microsoft Azure cloud
Microsoft
Provided computational resources for training and running deep learning models.
-
Keras
Deep learning library used to implement the neural network models with TensorFlow backend.
-
TensorFlow
Backend for Keras, used for deep learning computations.
-
VGGNet
Pre-trained deep learning model used for transfer learning comparison.
-
登录查看剩余3件设备及参数对照表
查看全部
