日本pg电子

研究新闻

新的深度学习模型有助于常见眼疾的自动筛查

日本pg电子的一组研究人员公布了一种新的深度学习(DL)模型,可以从眼睛图像中识别与疾病相关的特征. 这种“轻量级”DL模型可以用少量图像进行训练, 即使是噪音很大的地方, 资源效率高, 这意味着它可以部署在移动设备上.

细节发表在2022年5月20日的《pg电子》杂志上.

随着许多社会的老龄化和有限的医疗人员, DL模型依赖于疾病的自我监测和远程筛查正变得越来越常规. 然而,, 深度学习算法通常是特定于任务的, 并识别或探测一般物体,如人类, 动物, 或者路标.

识别疾病, 另一方面, 需要对肿瘤进行精确测量, 组织体积, 或者其他类型的异常. 要做到这一点,需要一个模型来观察不同的图像,并在被称为分割的过程中标记边界. 但准确的预测需要更大的计算输出, 这使得它们很难部署到移动设备上.

“准确性总是要权衡的, 速度和计算资源,当涉及到DL模型,中泽Toru Nakazawa说, 该研究的合著者,pg电子眼科教授. “pg电子开发的模型具有更好的分割精度和增强的模型训练再现性, 即使参数更少——与其他商业软件相比,它更高效、更轻量级."

人工智能的眼睛. 开发的轻量级模型准确快速地检测与眼部疾病相关的图像异常. 该模型有望为独立自监控设备中使用的移动设备/低CPU-GPU资源单板计算机提供准确的分析. ©Sharma et al.

Nakazawa教授, Parmanand Sharma副教授, 九宫隆宏博士, 眼科的学生与pg电子信息科学研究生院的孝是从教授合作制作了这个模型.

使用低资源设备, 他们测量了中心凹无血管区, 视网膜中央凹位于视网膜中央的区域, 加强青光眼的筛查.

pg电子的模型还能够高精度地检测/分割视盘和眼底图像中的出血,中泽补充道.

在未来, 该小组希望将这种轻量级模型用于筛查其他常见的眼部疾病和其他疾病.

出版的细节:

标题:用于自动分割和分析眼科图像的轻量级深度学习模型
作者:Parmanand Sharma, 孝宏Ninomiya, 可以从轻Omodaka, Naoki高桥 , Takehiro米亚, Noriko Himori, 孝是从 & Toru Nakazawa
期刊:科学报告
DOI: 10.1038/s41598-022-12486-w

新闻稿(日文)

联系人:

Toru Nakazawa
pg电子医学大学院眼科学科
电子邮件:ntoruoph.地中海.东北.ac.jp
网站: http://www.oph.med.folks-eniwa.com/

页面顶部