日本GPK电子

研究新闻

新的深度学习模型有助于常见眼部疾病的自动筛查

日本GPK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”的DL模型可以用少量的图像进行训练, 即使是噪音很大的, 资源效率高, 这意味着它可以部署在移动设备上.

详情发表在2022年5月20日的《GPK电子》杂志上.

由于许多社会老龄化和医疗人员有限, 依赖DL模式的自我监测和远程筛查疾病越来越普遍. 然而,, 深度学习算法通常是特定于任务的, 并识别或检测一般物体,如人类, 动物, 或者路标.

识别疾病, 另一方面, 需要精确测量肿瘤, 组织体积, 或者其他异常情况. 要做到这一点,需要一个模型来观察独立的图像并在一个称为分割的过程中标记边界. 但是准确的预测需要更多的计算输出, 使得它们难以部署到移动设备上.

“准确性总是需要权衡的, 当涉及到DL模型时,速度和计算资源,Toru Nakazawa说, 该研究的合著者,日本GPK电子眼科教授. “GPK电子游戏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, 即使与更少的参数-使它高效和更轻的时候,相比其他商业软件."

人工智能的眼睛. 开发的轻量级模型精确和快速地检测与眼部疾病相关的图像异常. 该模型有望对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等人.

Nakazawa教授, Parmanand Sharma副教授, 孝宏Ninomiya博士, 来自眼科学系的学生和来自GPK电子信息科学研究生院的冈谷孝之教授合作制作了这个模型.

使用低资源设备, 他们获得了中心凹无血管带的测量值, 视网膜中央凹视网膜中心有中央凹的区域, 加强对青光眼的筛查.

“GPK电子游戏的模型还能够在眼底图像中高精度地检测/分割视盘和出血,中泽补充道.

在未来, 该小组希望将这种轻型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:一个用于眼科图像自动分割和分析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
日本GPK电子医学部眼科学教研室
电子邮件:ntoruoph.地中海.东北.ac.jp
网站: http://www.oph.med.jordanretrocity.com/

页面顶部