基于深度学习的视网膜OCT图像的疾病自动分类
邹突1
曹婷婷2
张国坚2
钱陆佳2
林林3
1.广州市老人院医务部,广东 广州 510900;广东医科大学生物医学工程学院,广东 东莞 5238082.广东医科大学生物医学工程学院,广东 东莞 5238083.广东医科大学生物医学工程学院,广东 东莞 523808;东莞市医学电子与医学影像设备重点实验室,广东 东莞 523808
摘要：目的 实现视网膜疾病光学相干断层扫描图像(OCT)的自动化分类.方法 整合公开数据集和临床医院收集的视网膜OCT图像,构建包含3类视网膜疾病的标准化数据集:正常(Normal)、息肉样脉络膜血管病变(PCV)和糖尿病黄斑水肿(DME).对图像进行系统性预处理,包括数据规范化、分类标签筛查和数据增强,随后系统评估并比较了6种主流卷积神经网络(VGG、ResNet、DenseNet、MobileNet、EfficientNet和Inception)的分类性能.结果 VGG16模型实现了98.92%的准确率;ResNet50和ResNet50_V2均实现了99.79%的准确率,但ResNet50的精度和召回率均稍微优于ResNet50_V2;Densenet121的准确率为99.94%,精度为99.90%,召回率为99.95%,F1分数为0.999 2,均高于其他经典卷积神经网络模型;EfficientNetB0、EfficientNetV2S、MobileNetV1、MobileNetV2、MobileNetV3 和 Inception_V3 的准确率分别为 99.75%、99.83%、99.72%、99.85%、99.43%和 99.35%.结论 Densenet121模型在视网膜OCT图像自动化分类中性能最优异,实现了对视网膜OCT图像的高效准确诊断.
关键词：视网膜疾病光学相干断层深度学习图像分类
资助基金：广东省自然科学基金(2014A030310258)东莞市企业特派员项目(20231800500312)松山湖医工融合创新专项项目(4SG22318P)
论文发表日期：2025-06-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 227-232 )
英文信息