TY -的A2 -邵,易盟——郑,博盟——刘,云纺盟——他,凯盟——吴Maonian AU -金,凌盟——江,秦盟——朱Shaojun盟,郝Xiulan AU -王,陈虎少将AU -杨,Weihua PY - 2021 DA - 2021/07/29 TI -智能Lightweight-Assisted研究翼状胬肉诊断模型基于前一部分图像SP - 7651462六世- 2021 AB - 的目标是。缺乏基本的眼科医生在中国导致基层医院诊断翼状胬肉患者的能力。为了解决这个问题,一个intelligent-assisted轻量级翼状胬肉诊断模型提出了基于前一部分图片。 方法。翼状胬肉是一种常见的,经常发生在眼科疾病,和纤维组织增生既是诊断的生物标志物和外科生物标志物。翼状胬肉的模型诊断翼状胬肉基于生物标志物。首先,436前部分图像采集;然后,两个intelligent-assisted轻量级翼状胬肉诊断模型(MobileNet 1和MobileNet 2)基于原始数据和增强数据通过转移培训学习。轻量级模型的结果与临床结果。经典的模型(AlexNet VGG16和ResNet18)也用于训练和测试,以及他们与轻量级模型结果进行了比较。188前段图像被用于测试。敏感性,特异性,F1-score,准确性,卡帕,曲线下面积(AUC), 95% CI,大小和参数评价指标在这项研究。 结果。有188前部分图像,用于测试五个intelligent-assisted翼状胬肉诊断模型。的总体评价指标MobileNet2模型是最好的。敏感性,特异性,F1-score, AUC MobileNet2模型的正常前部分图像诊断分别为96.72%,98.43%,96.72%,和0976年,分别;翼状胬肉观察段前部分图像诊断的敏感性,特异性,F1-score, AUC是83.7%,90.48%,82.54%和0.872,分别;手术期间的前部分图像诊断的敏感性,特异性,F1-score, AUC是84.62%,93.50%,85.94%和0.891,分别。MobileNet2模型的k值为77.64%,准确性为85.11%,模型尺寸是13.5米,参数大小是4.2米。 结论。本研究使用深度学习方法提出一个three-category智能lightweight-assisted翼状胬肉诊断模型。开发模型可以用于屏幕最初对翼状胬肉患者问题,提供合理的建议,并提供及时的推荐。它主要可以帮助医生改善翼状胬肉诊断,带来社会效益,为未来打下基础模型嵌入到移动设备。SN - 0278 - 0240 UR - https://doi.org/10.1155/2021/7651462 - 10.1155 / 2021/7651462摩根富林明疾病标记PB - Hindawi KW - ER