通过结合注意力机制和MobileNetV2的智能诊断模型进行
Mao-Nian Wu1,2, Kai He1,3, Yi-Bei Yu1
1School of Information Engineering, Huzhou University, Huzhou 313000, Zhejiang Province, China.
International journal of ophthalmology
|July 19, 2024
概括
一个新的智能诊断模型有效地通过轻量级的深度学习来检测和评分. 这种AI模型有助于评估pterygium严重程度,以便做出更好的临床决策.
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:
- 在眼科中,的诊断和严重程度的评估至关重要.
- 传统的诊断方法可能缺乏效率和客观性.
- 智能诊断模型提供了提高准确性和速度的潜力.
研究的目的:
- 评估一种智能诊断模型,用于检测和严重程度分级.
- 开发和测试一个轻量级的深度学习模型,用于pterygium分类.
主要方法:
- 注意机制 (SENet,ECANet,CBAM,自我注意) 已经与MobileNetV2.2集成.
- 使用1220 pterygium 前眼部片段图像构建了一个三分类模型.
- 使用470张测试图像,与传统模型 (VGG16,ResNet50,MobileNetV2,EfficientNetB7) 进行了性能比较.
主要成果:
- 移动网络V2+自动关注模型实现了92.77%的准确性和88.92%的卡帕值.
- 测试时间在服务器上低至9ms/image.
- 报告了所有pterygium阶段的高灵敏度,特异性和AUC.
结论:
- 开发的智能模型是轻量级的,适合用于pterygium检测.
- 该模型可以有效地评估pterygium的严重程度,帮助临床管理.
- 这种由人工智能驱动的方法显示出增强眼科诊断的前景.
