基于纹理特征的糖网临床前期眼底自发荧光图像识别

及时发现和干预潜在的糖尿病视网膜病变患者,对帮助提升糖尿病患者的整体视觉质量和降低医疗成本具有十分积极的意义.由于糖尿病视网膜病变临床前期和正常人的眼底荧光图像在视觉感观基本上没有差别,为此本文通过目前应用较广的纹理特征算法和支持向量机对这两组图像进行了模式识别.通过将185张眼底荧光图片十折交叉检验发现, LBP算法对其具有很好的识别效果.等价模式下的59维LBP算子的十折交叉准确率达到了91.89%,同时在测试集和训练集以1:1随机划分的情况下,由训练集数据所生成的模型对测试集中92张眼底荧光图像的识别准确率达到了88.12%, AUC值为0.943.

以临床前期糖尿病视网膜病变为例分析医学图像人工智能系统在自发荧光图像识别中的应用

目的:以临床前期糖尿病视网膜病变为例分析医学图像人工智能系统对于自发荧光图像识别的能力,为早期诊断治疗提供技术支持。方法:连续收集2017年8月至2018年5月在温州医科大学附属第三医院眼科门诊就诊患者的眼底自发荧光图像,按是否患有糖尿病标准,纳入正常组102例(200眼),糖尿病组105例(200眼)。受检者均行裂隙灯显微镜、前置镜、裸眼视力或矫正视力、眼底自发荧光影像等检查。采用基于二维格子复杂性度量的医学图像特征提取和识别系统对糖尿病组及正常组图像进行分析。结果:该系统分析临床前期糖尿病视网膜病变眼底自发荧光图像与正常视网膜自发荧光图像具有可识别差异,提取出具有比较意义的25个特征。针对25个特征进行单个特征及多个特征的10折交叉检验以及5折交叉检验,准确率为82.47%。结论:复杂性分析医学图像人工智能系统可用于识别临床前期糖尿病视网膜病变的眼底自发荧光改变,准确率高。