使用视觉转换器从视网膜OCT图像中自动分类胆道新血管化,糖尿病黄斑胀和德鲁森:一项比较研究
Said Akça1, Zeynep Garip1, Ekin Ekinci2
1Department of Computer Engineering, Sakarya University of Applied Sciences, Sakarya, Turkey.
Lasers in medical science
|May 26, 2024
概括
视觉转换器 (ViT) 算法从OCT图像中准确地检测视网膜疾病,如AMD和DME. 移动ViT实现了最高的准确性 (99.17%),证明了ViT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:
- 早期检测视网膜疾病,如与年龄相关的黄斑退化 (AMD) 和糖尿病黄斑胀 (DME),对于预防视力丧失至关重要.
- 变压器架构在分析医疗图像以进行疾病分类方面表现有前途.
研究的目的:
- 为了评估视觉变压器 (ViT) 变体用于分类视网膜疾病的有效性,使用光学连贯断层扫描 (OCT) 图像.
- 为了比较ViT,Token-to-TokenViT (T2T-ViT) 和移动ViT (移动ViT) 在检测胆道新血管化 (CNV),德鲁森,DME和正常的OCT扫描中的性能.
主要方法:
- 实施和应用三个ViT模型:ViT,T2T-ViT和移动ViT.
- 训练和测试模型在一个数据集的OCT图像.
- 将图像分为以下类别的分类:CNV,drusen,DME和正常.
主要成果:
- ViT实现了95.14%的准确性.
- T2T-ViT实现了96.07%的准确性.
- 移动ViT在分类OCT图像方面表现出优异的性能,准确率为99.17%.
结论:
- 对于视网膜疾病的准确诊断,ViT架构非常有效.
- 移动ViT在评估的ViT模型中提供了最高的分类准确性,用于海外图像分析.


