Key points are not available for this paper at this time.
Die Vorhersage des Vorhandenseins von Mikroaneurysmen in den Fundusbildern und die Identifizierung der diabetischen Retinopathie im Frühstadium war seit Jahrzehnten eine große Herausforderung. Die diabetische Retinopathie (DR) wird durch einen verlängerten hohen Blutzuckerspiegel beeinflusst, der zu mikrovasalen Komplikationen und irreversiblen Sehverlusten führt. Die Bildung von Mikroaneurysmen und Makulaödem in der Netzhaut ist das anfängliche Zeichen von DR und eine rechtzeitige Diagnose kann das Risiko der nicht-proliferativen diabetischen Retinopathie reduzieren. Die rasante Verbesserung des Deep Learning macht es zunehmend zu einer effizienten Technik, um eine interessante Lösung für Probleme der medizinischen Bildanalyse bereitzustellen. Das vorgeschlagene System analysiert das Vorhandensein von Mikroaneurysmen in Fundusbildern mithilfe von Algorithmen für konvolutionale neuronale Netze, die Deep Learning als Kernkomponente nutzen, beschleunigt durch GPU (Graphics Processing Unit), was eine medizinische Bilddetektion und -segmentierung mit hoher Leistung und latenzarmer Inferenz ermöglicht. Der Algorithmus zur semantischen Segmentierung wird verwendet, um das Fundusbild als normal oder infiziert zu klassifizieren. Die semantische Segmentierung teilt die Bildpixel basierend auf ihrer gemeinsamen Semantik, um das Merkmal des Mikroaneurysmas zu identifizieren. Dies bietet ein automatisiertes System, das Augenärzten hilft, die Fundusbilder als frühe NPDR, moderate NPDR und schwere NPDR zu bewerten. Das System zur Prognose von Mikroaneurysmen und frühzeitiger Diagnostik für nicht-proliferative diabetische Retinopathie wurde vorgeschlagen, das in der Lage ist, ein tiefes konvolutionales neuronales Netzwerk effektiv für die semantische Segmentierung von Fundusbildern auszubilden, was die Effizienz und Genauigkeit der Vorhersage von NPDR (nicht-proliferative diabetische Retinopathie) erhöhen kann.
Qiao et al. (Wed,) haben diese Frage untersucht.