- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于图像的深度学习对视网膜疾病的全自动检测
摘要： 目的 随着人口老龄化和全球糖尿病流行，作为致盲主因的年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿（DME）患病率持续上升。抗血管内皮生长因子（抗VEGF）药物玻璃体腔注射是这些疾病的标准治疗方案。光学相干断层扫描（OCT）作为无创影像学手段，通过提供视网膜病变的详细横断面扫描，在指导抗VEGF治疗中发挥关键作用。全自动OCT图像检测能显著减少临床医师繁琐工作量，并通过分析视网膜结构元素获得可靠预诊断。因此，我们探索基于视觉几何组16（VGG-16）网络的深度迁移学习方法，实现OCT图像中AMD与DME的精准自动分类。 方法 从加州大学圣地亚哥分校Shiley眼科研究所、加州视网膜研究基金会等五家机构2013-2017年回顾性队列中，选取5319例成人患者的207,130张视网膜OCT图像（含脉络膜新生血管37,456张、糖尿病性黄斑水肿11,599张、玻璃膜疣8867张及正常图像51,390张）。经预处理后，选取633例患者的1000张图像（每类250张）作为验证集，其余4686例患者的图像作为训练集。采用ImageNet预训练的VGG-16网络进行深度迁移学习微调，在验证集评估性能，计算预测准确率、灵敏度、特异度及受试者工作特征曲线下面积（ROC）。 结果 实验表明该方法在视网膜OCT图像检测中表现优异：预测准确率达98.6%，灵敏度97.8%，特异度99.4%，ROC曲线下面积达100%。 结论 基于VGG-16网络的深度迁移学习方法在小样本视网膜OCT图像分类中效果显著，可为医疗决策提供辅助支持，其性能堪比资深临床专家，有望广泛应用于常见视网膜疾病的自动诊断与分类。
关键词： 糖尿病性黄斑水肿，视觉几何组16网络，年龄相关性黄斑变性，光学相干断层扫描，深度迁移学习
更新于2025-09-23 15:22:29
-
基于深度迁移学习的分子诊断全息图分类
摘要： 无透镜数字同轴全息术（LDIH）是一种极具前景的显微工具，它克服了传统透镜显微镜的若干缺陷（如视场有限）。然而，要从LDIH产生的复杂衍射图案中重建物体图像，需要进行大量计算。这限制了LDIH在即时检测应用中的实用性，尤其是在资源有限的环境中。我们描述了一种基于深度迁移学习（DTL）的方法，用于处理细胞分析背景下的LDIH图像。具体而言，我们捕获了标记有分子特异性微珠的细胞全息图，并训练神经网络在不进行重建的情况下对这些全息图进行分类。以原始全息图作为输入，训练后的网络能够根据细胞结合微珠的数量对单个细胞进行分类。包括预训练VGG19网络的DTL方法在实验数据上表现出稳健的性能。结合所开发的DTL方法，LDIH有望成为一种低成本、便携的即时诊断工具。
关键词： LDIH、VGG19、全息图分类、分子诊断、深度迁移学习
更新于2025-09-23 15:21:01