基于使用Resnet和Transformer的 fundus图像的视网膜疾病的多标签分类
Jiaqing Zhao1, Jianfeng Zhu2, Jiangnan He2
1Shanghai Institute of Technology, Shanghai, China.
Medical & biological engineering & computing
|June 13, 2024
概括
这项研究引入了一种结合ResNet和Transformer的新型深度学习框架,用于从 fundus图像准确地分类视网膜疾病的多标签分类,显著改善多种眼睛疾病的早期诊断.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 视网膜疾病导致不可逆转的视力丧失,需要早期和准确的诊断.
- 眼底图像是检测视网膜疾病的黄金标准.
- 目前的深度学习模型通常集中在单一疾病诊断上,这对多种疾病的检测构成了挑战.
研究的目的:
- 开发一个先进的深度学习框架,用于视网膜疾病的多标签分类.
- 提高同时诊断多种视网膜疾病的准确性和全面性.
主要方法:
- 提出了一个新的框架,将ResNet用于特征提取和Transformer用于全球信息捕获.
- 可学习的标签嵌入被用来增强类别间的关系.
- 该模型在眼部疾病智能识别 (ODIR-5k) 数据集上进行了评估.
主要成果:
- 拟议的方法实现了92.86%的平均精度和97.27%的曲线下面积 (AUC).
- 获得了90.62%的召回率,超过了现有的最先进的方法.
- 该框架在视网膜疾病的多标签分类中表现出卓越的表现.
结论:
- 开发的框架在视网膜疾病诊断方面取得了重大进展.
- 它为检测多种视网膜疾病提供了更准确,更有效,更全面的方法.
- 这种方法有望改善早期检测和管理危及视力的眼睛疾病.
