- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于深度学习的光学相干断层扫描图像多类别异常自动分类
摘要： 目的：开发一种基于深度学习的新智能系统，用于自动对光学相干断层扫描（OCT）图像进行分类。方法：由17名持证视网膜专家对总计60,407张OCT图像进行标注，最终纳入25,134张图像。训练了101层卷积神经网络（ResNet）用于图像分类。采用10折交叉验证法训练和优化算法。通过计算受试者工作特征曲线下面积（AUC）、准确率和Kappa值来评估该智能系统对OCT图像的分类性能，并与两名专家的判读结果进行对比。结果：该智能系统在检测黄斑裂孔、囊样黄斑水肿、视网膜前膜和浆液性黄斑脱离时，AUC达到0.984，准确率为0.959。具体而言，区分正常图像、囊样黄斑水肿、浆液性黄斑脱离、视网膜前膜和黄斑裂孔的准确率分别为0.973、0.848、0.947、0.957和0.978。系统Kappa值为0.929，而两名医师的Kappa值分别为0.882和0.889。结论：该基于深度学习的系统能以卓越的准确度自动检测并区分各类OCT图像，其性能达到或优于人类专家水平。本研究为革新现有疾病诊断模式迈出了有前景的一步，具有产生重大临床影响的潜力。
关键词： 人工智能、深度学习、光学相干断层扫描、ResNet
更新于2025-09-23 15:22:29
-
[计算机科学讲义] 模式识别与计算机视觉 第11259卷（首届中国会议，PRCV 2018，中国广州，2018年11月23-26日，会议录，第四部分）|| 基于U-ResNet的TFT-LCD制造过程中导电粒子检测
摘要： 各向异性导电膜（ACF）键合后导电粒子的检测是TFT-LCD制造过程中的常规关键步骤，因为导电粒子的质量是衡量ACF键合质量的指标。显微镜下的人工检测既耗时又繁琐。工业界对自动导电粒子检测系统存在需求。自动导电粒子质量检测的挑战在于复杂的背景噪声和多样化的粒子外观（包括形状、尺寸、聚集和重叠等）。因此，目前缺乏能有效处理所有复杂粒子模式的自动检测方法。本文提出了一种U形深度残差神经网络（U-ResNet），该网络能从大量标注数据中学习粒子特征。实验结果表明，所提方法实现了高准确率和高召回率，显著优于以往工作。
关键词： 深度卷积网络，导电颗粒，TFT-LCD，U-ResNet
更新于2025-09-23 15:21:01