Diabetic macular edema (DME) is the dominant reason of diabetic visual loss, so early detection and treatment of DME is of great significance for the treatment of diabetes. Based on transfer learning, an automatic classification method is proposed to distinguish DME images from normal images in optical coherence tomography (OCT) retinal fundus images. Features of the DME are automatically identified and extracted by the pre-trained convolutional neural network (CNN), which only involves fine-tuning the VGGNet-16 network without any user intervention. An accuracy of 97.9% and a sensitivity of 98.0% are acquired with the OCT images in the Duke data set from experimental results. The proposed method, a core part of an automated diagnosis system of the DME, revealed the ability of fine-tuning models to train non-medical images, allowing them can be classified with limited training data. Moreover, it can be developed to assist early diagnosis of the disease, effectively delaying (or avoiding) the progression of the disease, consequently.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00