NIMEQ-SACNet:使用图像数据的新型自我注意力精确医学模型,用于视力威胁的糖尿病视网膜病变
Anas Bilal1, Xiaowen Liu1, Muhammad Shafiq2
1College of Information Science and Technology, Hainan Normal University, Haikou, 571158, China.
Computers in biology and medicine
|February 16, 2024
概括
一个新的深度学习模型,NIMEQ-SACNet,通过使用量子灵感优化来增强糖尿病视网膜病变的检测. 这种方法可以提高视力威胁性糖尿病视网膜病变 (VTDR) 从视网膜图像的分类准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 糖尿病视网膜病变 (DR) 是全球视力障碍的主要原因.
- 准确及时检测危及视力的糖尿病视网膜病变 (VTDR) 对于有效治疗和预防视力丧失至关重要.
- 多模式数据,包括医学图像,对于精准医学中先进的临床决策至关重要.
研究的目的:
- 引入NIMEQ-SACNet,这是一个新的混合深度学习模型,用于分类危及视力的糖尿病视网膜病变 (VTDR).
- 通过使用增强的量子灵感二元灰狼优化器 (EQI-BGWO) 提高自我注意力囊网络 (SACNet) 的性能.
- 提高VTDR分类在不同阶段的准确性和稳定性.
主要方法:
- 开发了一个混合模型,NIMEQ-SACNet,将一个自我注意力囊网络 (SACNet) 与一个增强的量子灵感二进制灰狼优化器 (EQI-BGWO) 集成.
- 用量子计算原理增强了二进制灰狼优化算法.
- 使用EQI-BGWO来优化SACNet模型的参数校准.
- 在二进制,五阶段和七阶段VTDR分类的基底图像数据集上评估模型的性能.
主要成果:
- 与现有方法相比,NIMEQ-SACNet在VTDR分类中表现出优异的性能.
- 该模型实现了高精度,灵敏度,特异性,精度,F1-Score和MCC.
- 量子启发的优化有效地提高了SACNet的分类能力.
- 该模型证明擅长处理多阶段VTDR分类.
结论:
- 在自动VTDR检测和分类方面,NIMEQ-SACNet提供了显著的进步.
- 量子灵感优化与深度学习的整合显示出对复杂医学图像分析的前景.
- 这种方法有可能改善临床决策和减轻因糖尿病视网膜病变而导致的视力损失.
