Основні поняття
CNNとResNetを組み合わせたモデルを使用して、健常な眼底と変性症の眼底を高精度に分類し、Grad-CAMを用いて変性領域を可視化することができる。
Анотація
本研究の目的は、マキュラ変性症の眼底画像を健常と異常の2クラスに分類する最適なモデルを見つけることです。
まず、データセットから健常眼底画像とマキュラ変性症の眼底画像を抽出し、データを均等化しました。
次に、前処理として画像のクロッピングとリサイズを行いました。
その後、CNNモデルとCNNにResNetをバックボーンとして組み合わせた6つのモデルを構築し、性能評価を行いました。
その結果、ResNet50をバックボーンとしたCNNモデルが最も高い98.7%の精度を達成しました。
さらに、この最良モデルを用いてGrad-CAMによる可視化を行い、変性領域を特定することができました。
この手法は、医療従事者が早期発見と適切な治療につなげるのに役立つと考えられます。
今後は、より多くの眼底疾患の分類や、複数のデータセットを統合した研究に取り組む予定です。
Статистика
健常眼底画像の正解率は90%の訓練データで100%、80%の訓練データで98%、50%の訓練データで96%でした。
マキュラ変性症の眼底画像の正解率は90%の訓練データで100%、80%の訓練データで100%、50%の訓練データで92%でした。
Цитати
"早期発見は、患者に適切な治療を施すことで、視力の永久的な喪失を防ぐのに役立つ可能性がある。"
"自動化は、眼内での疾患の進行を制限するのに大変役立つ可能性がある。"