MediDRNet:通过双分支学习和原型的对比学习来解决糖尿病视网膜病变分类中的类别不平衡

科学领域:

• 医学成像分析 医学成像分析
• 机器学习用于医疗保健
• 眼科 诊断 诊断 眼科 诊断

背景情况:

• 糖尿病视网膜病变 (DR) 的分类依赖于图像分析,用于早期诊断和预防.
• 现有的方法与大型,不平衡的数据集作斗争,经常忽略不太常见的DR类别.
• 准确的DR分类需要解决样本分布不平衡,以提高诊断准确度.

研究的目的:

• 开发一种新的糖尿病视网膜病变的分类方法,有效地处理不平衡的数据集.
• 通过减轻样本分布不平衡问题,提高糖尿病视网膜病变分类的准确性.
• 通过先进的图像分析,改善糖尿病视网膜病变的早期诊断和管理.

主要方法:

• 提出了MediDRNet,这是一个采用原型对比学习的双分支网络模型.
• 采用原型对比学习来创建不同损伤水平的代表性原型.
• 集成了一个双分支网络,具有损伤级原型和一个卷积块注意模块,用于增强特征识别和类别失衡解决.

主要成果:

• 在Kaggle和UWF DR分类数据集上,MediDRNet表现出了卓越的表现,在UWF数据集上取得了最先进的结果.
• 在Kaggle数据集上获得了最高的平均分类准确度 (0.6327) 和宏F1得分 (0.6361).
• 在Kaggle数据集上对少数DR类别 (1-4级) 的分类中表现出高精度,精度从55.32%到90.21%不等.

结论:

• 成功构建了一个糖尿病视网膜病变分级系统,使用原型对比学习和双向分支学习来对不平衡的数据集进行分级.
• 双分支网络准确地确定了少数样本类别,解决了样本不平衡问题.
• 该方法为准确分类和早期诊断糖尿病视网膜病变提供了强有力的支持,改善了患者管理和预防疾病进展.