自主监督类别选择性注意力分类网络用于糖尿病黄斑的分类
Sachin Chavan1, Nitin Choubey2
1SVKM'S NMIMS, Mukesh Patel School of Technology Management and Engineering, Shirpur, Maharashtra, India. phd.sachinchavan@gmail.com.
Acta diabetologica
|March 24, 2024
概括
一个新的深度学习模型,SSCSAC-Net,通过使用自我监督的学习和注意力机制,增强了糖尿病黄斑 (DME) 的分类. 这种方法提高了诊断准确度,并减少了对标记数据的依赖,以获得更好的可扩展性.
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:
- 糖尿病黄斑 (DME) 是糖尿病患者视力丧失的主要原因.
- 准确及时诊断DME对于有效的治疗和视力保护至关重要.
- 当前的分类方法可能面临精度和数据依赖性的限制.
研究的目的:
- 开发一个先进的深度学习模型,SSCSAC-Net,用于精确分类糖尿病黄斑 (DME).
- 利用自我监督学习和类别选择性注意力机制,以提高特征提取和分类准确度.
- 提高DME分类系统的可扩展性和成本效益.
主要方法:
- 拟议的SSCSAC-Net架构将自主监督学习与ResNet-152基础集成在一起.
- 纳入特定类别的关注和特定领域的层次.
- 在基准数据集上使用无监督和监督技术进行组合培训.
主要成果:
- 在多个数据集上,SSCSAC-Net在现有技术上取得了卓越的性能.
- 在DME分类中,高精度 (98.7%),精度 (98.6%) 和回忆 (98.8%) 的高精度.
- 自主监督学习减少了对广泛标记数据的需求,提高了可扩展性.
结论:
- SSCSAC-Net代表了自动化DME分类的重大进展.
- 该模型对自我监督学习和注意力机制的有效使用提高了识别DME特征的准确性.
- 强度和通用性表明,在DME诊断中,临床应用的潜力很大.
