有效的金字塔道注意力网络,用于通过预训练和微调识别病态近视
Xiaoqing Zhang1, Jilu Zhao2, Yan Li3
1Research Institute of Trustworthy Autonomous Systems and Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen, 518055, China; Center for High Performance Computing and Shenzhen Key Laboratory of Intelligent Bioinformatics, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China.
Artificial intelligence in medicine
|July 4, 2024
概括
本研究介绍了EPCA-Net,这是一种高效的深度学习模型,用于使用 fundus 图像识别病态近视 (PM). EPCA-Net利用临床病理学分布的先验来实现高准确性诊断视力障碍的主要原因.
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:
- 病态近视 (PM) 是全球视力障碍的主要原因.
- 目前的PM深度学习模型往往忽略了在 fundus 图像中发现的关键病理分布先验.
- 有效的PM诊断依赖于了解全球-本地病理模式.
研究的目的:
- 开发一个高效的深度学习模型,将临床病理分布的先验纳入病理近视识别.
- 引入高效的金字塔通道注意力 (EPCA) 模块和EPCA-Net,以提高PM检测.
- 用有限的医学数据评估用于PM识别的预训练和微调范式的有效性.
主要方法:
- 提出了一个高效的金字塔通道注意力 (EPCA) 模块,集成金字塔聚合和多尺度上下文融合.
- 通过堆叠EPCA模块来构建EPCA-Net,以便从基金图像中自动识别PM.
- 在预训练和微调框架内,使用EPCA作为适配器进行预训练的自然图像模型.
- 创建了PM基金基准数据集,用于评估PM认可模型.
主要成果:
- 在PM基金数据集上,EPCA-Net实现了97.56%的准确性,超过了现有的最先进的方法.
- 使用EPCA进行预训练和微调的方法证明了具有较少可调节参数的竞争性性能.
- 拟议的方法显示了在数据有限的医疗场景中利用大型自然图像模型的潜力.
结论:
- EPCA-Net有效地利用了病态近视分布的先例,在基于图像的自动 fundus 识别中提供了卓越的性能.
- 使用注意模块的预训练和微调策略为使用有限数据集进行医学图像分析提供了一个有希望的方向.
- 这项工作为病理近视诊断提供了强大而有效的工具,有助于管理视力障碍.
