🤖 มาพบกับรายละเอียดของผลงานตีพิมพ์ การจำแนกโรคแทรกซ้อนทางตาอัตโนมัติ 👁️
มาพบกับรายละเอียดของผลงานตีพิมพ์ การจำแนกโรคแทรกซ้อนทางตาอัตโนมัติ ด้วยการเลือก Pre-Trained Weights ไว้สำหรับ Transfer Learning โดย 👨⚕️ รศ.นพ. ปิติพล ชูพงศ์ และ รศ.ดร.วรพันธ์ คู่สกุลนิรันดร์ มหาวิทยาลัยมหิดล
อ่านฉบับเต็มได้ที่ https://doi.org/10.1038/s41598-024-67121-7
Selection of pre-trained weights for transfer learning in automated cytomegalovirus retinitis classification
Cytomegalovirus retinitis โรคแทรกซ้อนทางตา (CMVR) เป็นสาเหตุที่สำคัญของการสูญเสียการมองเห็น การตรวจคัดกรองเป็นประจำถือเป็นสิ่งสำคัญแต่ก็ท้าทายในสภาพแวดล้อมที่มีทรัพยากรจำกัด Convolutional Neural Network เป็น state-of-the-art ของ Deep Learning หรือ การเรียนรู้เชิงลึก เพื่อสร้างการวินิจฉัยโรคอัตโนมัติจากภาพจอประสาทตา
ในการฝึกโมเดลกับจำนวนภาพ CMVR ที่มีจำนวนจำกัดให้อย่างเหมาะสม การใช้ Transfer Learning (TL) จำแนกประเภท CMVR จากภาพจอประสาทตาจากโรงพยาบาลศิริราช มหาวิทยาลัยมหิดลกว่า 955 ภาพ โดยใช้ DenseNet121, ImageNet, APTOS2019, และ CheXNet datasets ทำการ Evaluate แบบจำลอง ตาม accuracy loss และตัวชี้วัดอื่นๆ
การศึกษาพบว่า TL ช่วยเพิ่มประสิทธิภาพการทำงานของโมเดลในการจำแนกประเภท CMVR อย่างมีนัยสำคัญ และ Heat Map ก็ให้ผลคำอธิบายที่ดี เน้นย้ำรอยโรค มีความคล้ายคลึงกับการตีความของมนุษย์
จากการค้นพบแสดงให้เห็นถึงศักยภาพของ TL พอจะมีความแม่นยำและประสิทธิภาพของการวินิจฉัย CMVR โดยเฉพาะอย่างยิ่งในการมีข้อมูลที่จำกัด โดยเน้นถึงความสำคัญของการฝึกโมเดลล่วงหน้าเฉพาะด้านในการจำแนกภาพทางการแพทย์ แนวทางนี้เพิ่มความคล่องตัวให้กับกระบวนการวินิจฉัย และนำไปสู่การประยุกต์ใช้ในการวิเคราะห์ภาพทางการแพทย์แบบอัตโนมัติในวงกว้างขึ้น โดยนำเสนอโซลูชันในการปรับใช้สำหรับการตรวจหาโรคในระยะเริ่มแรก
Selection of pre-trained weights for transfer learning in automated cytomegalovirus retinitis classification
Abstract: Cytomegalovirus retinitis (CMVR) is a significant cause of vision loss. Regular screening is crucial but challenging in resource-limited settings. A convolutional neural network is a state-of-the-art deep learning technique to generate automatic diagnoses from retinal images.
However, there are limited numbers of CMVR images to train the model properly. Transfer learning (TL) is a strategy to train a model with a scarce dataset. This study explores the efficacy of TL with different pre-trained weights for automated CMVR classification using retinal images.
We utilised a dataset of 955 retinal images (524 CMVR and 431 normal) from Siriraj Hospital, Mahidol University, collected between 2005 and 2015. Images were processed using Kowa VX-10i or VX-20 fundus cameras and augmented for training. We employed DenseNet121 as a backbone model, comparing the performance of TL with weights pre-trained on ImageNet, APTOS2019, and CheXNet datasets.
The models were evaluated based on accuracy, loss, and other performance metrics, with the depth of fine-tuning varied across different pre-trained weights. The study found that TL significantly enhances model performance in CMVR classification. The best results were achieved with weights sequentially transferred from ImageNet to APTOS2019 dataset before application to our CMVR dataset.
This approach yielded the highest mean accuracy (0.99) and lowest mean loss (0.04), outperforming other methods. The class activation heatmaps provided insights into the model's decision-making process. The model with APTOS2019 pre-trained weights offered the best explanation and highlighted the pathologic lesions resembling human interpretation.
Our findings demonstrate the potential of sequential TL in improving the accuracy and efficiency of CMVR diagnosis, particularly in settings with limited data availability. They highlight the importance of domain-specific pre-training in medical image classification. This approach streamlines the diagnostic process and paves the way for broader applications in automated medical image analysis, offering a scalable solution for early disease detection.
- 4
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
