首页 > 广东医科大学学报 > 基于深度学习的视网膜OCT图像的疾病自动分类

基于深度学习的视网膜OCT图像的疾病自动分类

Automated disease classification in retinal OCT images using deep learning

二维码有效期 120s

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.