Как точная сегментация глазного дна защищает пациентов от внезапной потери зрения
Аннотация Зрение человека в значительной степени зависит от ткани сетчатки. Потеря зрения может быть результатом инфекций ткани сетчатки, которые лечатся медленно или не лечатся вообще. Кроме того, когда задействован большой набор данных, диагноз может быть неточным. Таким образом, предлагается полностью автоматизированный подход, основанный на глубоком обучении, для диагностики заболеваний сетчатки, чтобы свести к минимуму вмешательство человека при сохранении высокой точности классификации. Предлагаемая глубокая сеть сетчатки на основе Attention UNet++ (DeepRetNet на основе Attn_UNet++) предназначена для классификации заболеваний сетчатки наряду с критериями сегментации. При этом для сегментации используется Attn_UNet++, при этом UNet++ с плотным соединением гибридизируется с модулем Attention для повышения точности сегментации. Затем классификация заболеваний выполняется с использованием DeepRetNet, где оптимизация функции потерь используется с использованием алгоритма оптимизации Gazelle (ImGaO). Здесь стратегия адаптивного взвешивания дополняется традиционным алгоритмом Gazelle для улучшения глобального поиска с высокой скоростью сходимости. Анализ производительности предложенного DeepRetNet на основе Attn_UNet++ на основе точности, специфичности, точности, отзыва, F1-меры и MSE достиг значений 97.20%, 98.36%, 95.90%, 95.50%, 96.53% и 2.80% соответственно.
## В чем суть открытия Это все равно, что дать окулисту увеличительную линзу, которая автоматически фокусируется только на больных тканях, в то время как адаптивный цифровой трекер отсеивает здоровый фоновый фон. ## Как это устроено: принцип работы Платформа объединяет Attention UNet++ со специальной классификационной сетью DeepRetNet. Плотные пропускные соединения и ворота внимания изолируют патологические области сетчатки, а оптимизация функции потерь регулируется улучшенным алгоритмом оптимизации Gazelle с адаптивным взвешиванием для быстрой глобальной сходимости. Комбинированный конвейер отображает тонкие маски сегментации непосредственно в многоклассовые диагностические решения. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** code_benchmark - **Бенчмарки и прирост:** Accuracy: 97.20%, Specificity: 98.36%, Precision: 95.90%, Recall: 95.50%, F1-Measure: 96.53%, MSE: 2.80% - **Размер выборки / валидация:** N = Unspecified benchmark dataset ## Что это меняет на практике Обеспечивает автоматизированную высокопроизводительную сортировку в офтальмологических клиниках первичной помощи и центрах телемедицины, выявляя ретинопатию на ранней стадии до того, как произойдет необратимая потеря зрения. ## Границы метода и риски Проверка ограничивается статическими наборами ретроспективных эталонных данных, что делает реальную производительность уязвимой для оптических артефактов, окклюзий катаракты и разнообразного оборудования для визуализации.