相关实验视频
Updated: Jun 11, 2026
11:22
Vibratome Sectioning Mouse Retina to Prepare Photoreceptor Cultures
Published on: December 22, 2014
17.8K
Conv-ViT:一种基于卷积和视觉变压器的混合特征提取方法,用于检测视网膜疾病
Pramit Dutta1, Khaleda Akther Sathi1, Md Azad Hossain1
1Department of Electronics and Telecommunication Engineering, Chittagong University of Engineering & Technology, Chattogram 4349, Bangladesh.
Journal of imaging
|July 28, 2023
概括
本研究介绍了Conv-ViT,这是一种新的深度学习模型,它融合了纹理和形状特征,以从OCT图像中增强视网膜疾病的检测,达到94%的准确性.
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:
- 目前用于检测视网膜疾病的深度学习模型通常仅依赖于纹理或形状特征.
- 这种限制阻碍了模型的稳定性和对各种视网膜疾病的准确分类.
研究的目的:
- 开发一种混合深度学习模型,Conv-ViT,将纹理和形状特征提取集成在一起,以改进视网膜疾病检测.
- 将视网膜疾病分为四个类别:冠状腺新血管化 (CNV),糖尿病黄斑 (DME),DRUSEN和NORMAL.
主要方法:
- 开发了一个融合模型 (Conv-ViT),结合了基于转移学习的卷积神经网络 (CNNs),如Inception-V3和ResNet-50,用于纹理分析.
- 集成了一个视觉变压器 (ViT) 模型用于基于形状的特征提取,分析长距离的像素相关性.
- 用于培训和验证的骨切割光学连贯性断层扫描 (OCT) 图像.
主要成果:
- Conv-ViT模型实现了加权平均分类准确度,精度,回忆和F1得分约94%.
- 与使用单个特征类型的模型相比,纹理和形状特征的融合显著提高了分类性能.
结论:
- 拟议的Conv-ViT模型通过有效利用纹理和形状信息,在视网膜疾病分类中表现出卓越的性能.
- 这种混合方法提供了一种更稳健和更准确的方法,用于从OCT图像中检测各种视网膜疾病.
