使用视网膜光学连贯性断层扫描图像检测与年龄相关的黄斑退行症的拼接视觉变压器
Mohammad Mahdi Azizi1, Setareh Abhari1, Hedieh Sajedi1
1Department of Mathematics, Statistics and Computer Science, College of Science, University of Tehran, Tehran, Iran.
PloS one
|June 5, 2024
概括
这项研究优化了深度学习模型,用于使用光学连贯断层扫描 (OCT) 图像诊断与年龄相关的黄斑变性 (AMD). 一种新的接方法实现了超过94.9%的准确性,提高了AMD分类的效率和准确性.
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:
- 与年龄相关的黄斑变性 (AMD) 是老年人视力丧失的主要原因,需要早期检测.
- 随着老年人口的不断增长,自动化监测和诊断AMD的方法越来越重要.
- 光学连贯断层扫描 (OCT) 是用于AMD诊断的标准非侵入性成像技术.
研究的目的:
- 为了实现对视网膜OCT图像进行分类的最佳架构,平衡效率和准确性.
- 为了评估预先训练的医学视觉变压器 (MedViT) 模型对AMD分类的有效性.
- 引入和验证一种新的拼接方法,以优化医疗数据集上的深度学习架构.
主要方法:
- 采用预先训练的MedViT模型,该模型结合了卷积和变压器网络,用于医学图像分类.
- 在源数据集上使用监督的预培训策略,标签与目标数据集相匹配.
- 通过使用可拼接的神经网络实施了拼接方法,通过组合两个MedViT模型的层来寻找最佳架构.
主要成果:
- 在100个时代内,从Noor眼科医院 (NEH) 数据集中分类OCT图像的准确度超过94.9%.
- 证明了可拼接的神经网络在较小的医疗数据集上进行微调的有效性,此前已在更大的一般数据集上进行了测试.
- 展示了利用先前存在的训练模型来有效和准确的AMD分期的潜力.
结论:
- 可拼接的神经网络为OCT图像分类提供了有效的微调方法,以合理的计算成本优化了架构.
- 预先训练的MedViT模型,当与拼接方法相结合时,可以显著提高新数据集上的AMD分类准确性.
- 这项研究强调了自动化AMD诊断的有希望的方向,提高了准确性和计算效率.
