基于视网膜底部图像和优化的ALFA-Mix主动学习算法对高近视性黄斑病的分类方法的研究
Shao-Jun Zhu1,2, Hao-Dong Zhan1,2, Mao-Nian Wu1,2
1Huzhou University, School of Information Engineering, Huzhou 313000, Zhejiang Province, China.
International journal of ophthalmology
|July 19, 2023
概括
优化的ALFA-Mix+算法有效地使用更少的图像对高近视性黄斑病 (HMM) 进行分类. 这种主动学习方法提高了HMM检测的深度学习模型性能.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 高近视性黄斑病 (HMM) 的分类对于患者的护理至关重要.
- 有限的数据集和高的注释成本在开发准确的HMM分类模型方面带来了挑战.
- 积极学习算法可以优化数据集选择,以提高模型训练效率.
研究的目的:
- 使用有限的数据集对高近视性黄斑病 (HMM) 进行分类.
- 为优化ALFA-Mix主动学习算法用于HMM分类.
- 为了尽量减少注释成本,同时保持分类准确性.
主要方法:
- 开发了一种优化的ALFA-Mix算法 (ALFA-Mix+),并与其他算法进行比较.
- 实验包括将ALFA-Mix+与ResNet18和EfficientFormer等深度学习模型相结合.
- 在20个活跃学习轮中评估了表现,每轮选择100张图像.
主要成果:
- 在准确性,灵敏性,特异性和卡帕值方面,ALFA-Mix+在其他算法上表现出卓越的性能.
- EfficientFormer模型在HMM数据集上实现了高性能 (准确率:0.8821).
- 将ALFA-Mix+与EfficientFormer相结合产生了最好的结果 (精度:0.8964,灵敏度:0.8643,特异性:0.9721,卡帕:0.8537).
结论:
- ALFA-Mix+算法有效地减少了所需样本的数量,而不会影响分类准确度.
- 在选择有价值的训练样本方面,ALFA-Mix+的表现优于其他算法.
- ALFA-Mix+和EfficientFormer的组合显著提高了HMM分类性能.
