基于自适应神经模糊推理系统 - Resnet50 优化卷积神经网络（ANFIS-CNN）的肾脏疾病监测新突破

为提升肾脏疾病分类精度，研究人员提出 ANFIS-CNN 方法，准确率达 96.1%，助力疾病监测。

　　肾脏疾病是一种危害人类健康、会引发多种机能缺陷的危险病症。借助光学相干断层扫描（Optical Coherence Tomography，OCT）图像，能够监测肾脏微生物学变化，并依据缺血再灌注期间的表现来判断疾病性质。从物体的特征依赖关系中提取信息以识别疾病，图像分析在其中起着关键作用。然而，大多数现有方法在基于非相关特征分析的疾病识别中，依赖特征相关性，其精度和召回率较低，因此需要更高性能的分类准确率。为解决这一问题，研究人员提出了基于自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System，ANFIS）的 Resnet50 优化卷积神经网络（Convolutional Neural Network，CNN）方法（ANFIS-CNN），并利用深度学习（Deep Learning，DL）技术来监测肾脏疾病。首先，研究人员对从标准数据库收集的 OCT 图像进行分析。在预处理阶段，采用双向滤波器降低图像噪声，运用高斯滤波来确定肾脏结构的相关性。之后，通过直方图均衡化方法，基于边缘分割对颜色密度饱和度进行分析，并利用边缘分割识别出最优提取的目标。将基于光谱值的相对特征检测阈值与基于纹理点的递归光谱多尺度特征选择（Recursive Spectral Multiscale Feature Selection，RSMFS）相结合，产生不同的实体对比度。接着，利用 ANFIS-Resnet50 优化的 CNN 对光谱值进行优化，通过筛选图像来提高分类精度。结果显示，该方法的分类准确率高达 96.1%，召回率为 95.18%，精度达到 96.09%，显著提升了整体性能，为肾脏疾病监测构建了高性能的图像识别系统。