多种基金疾病分类使用视网膜光学一致性断层扫描图像与Swin变压器V2的图像

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:

• 底部疾病可以导致不可逆转的视力丧失和失明.
• 早期发现底部疾病对于有效治疗至关重要.
• 光学连贯断层扫描 (OCT) 是视网膜评估的关键成像方式.

研究的目的:

• 开发和评估一个深度学习模型,以使用OCT图像快速和准确地诊断底部疾病.
• 提高自动化 fundus 疾病分类的效率和准确性.

主要方法:

• 一个基于Swin Transformer V2的深度学习模型被提出.
• 在本地窗口内使用自我注意力来减少计算复杂性.
• 使用PolyLoss功能来提高分类准确度.
• 为模型预测可视化生成热图.

主要成果:

• 该模型在2017年CTTO数据集上实现了99.9%的准确性.
• 该模型在OCT-C8数据集上实现了99.5%的准确性.
• 该模型在多种疾病的自动分类方面表现出强的表现.

结论:

• 拟议的Swin Transformer V2模型提供了一个高度准确和高效的解决方案,用于从OCT图像中诊断 fundus 疾病.
• 这种方法具有早期查和及时干预的巨大潜力,从而减轻视力丧失.