改善了使用挤压和刺激和稀疏轻量级多层次注意力u-net的糖尿病视网膜病变严重程度分类,并从xception转移学习
Sachin Bhandari1, Sunil Pathak2, Sonal Amit Jain3
1Department of Computer Science and Engineering, Amity School of Engineering and Technology, Amity University Rajasthan, Jaipur, India. truebhandari04@gmail.com.
Acta diabetologica
|July 26, 2024
概括
一个新的模型,XceSE_SparseLwMLA-UNet,准确地使用心底图像对糖尿病视网膜病变 (DR) 的严重程度进行分类. 这种先进的方法提高了诊断准确度,并有助于更好地照顾患者的视力健康.
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:
- 糖尿病视网膜病变 (DR) 是糖尿病患者视力丧失的主要原因.
- 早期检测和精确的DR严重程度分类对于有效管理和预防失明至关重要.
- 目前的诊断方法需要改进,以提高准确性和效率.
研究的目的:
- 开发一个先进的糖尿病视网膜病变 (DR) 严重程度分类模型.
- 通过改进分类来提高诊断准确性和支持更好的患者护理.
- 为了利用转移学习和新型架构组件来实现卓越的DR检测.
主要方法:
- 一个新型的模型,Xception挤压和激发Sparse轻量级多层次注意力U-Net (XceSE_SparseLwMLA-UNet) 被开发出来.
- 该模型集成了挤压和激发 (SE) 和稀疏轻量级多层注意力 (SparseLwMLA) 机制.
- 来自Xception架构的转移学习使用了Messidor 1和2数据集.
主要成果:
- 在DR严重程度分类中,XceSE_SparseLwMLA-UNet模型取得了卓越的性能.
- 与现有模型相比,观察到更高的精度和改进的多类F1分数.
- 用颜色编码的分段输出为医疗专业人员提供了可解释的视觉表示.
结论:
- XceSE_SparseLwMLA-UNet模型显示了促进DR诊断和管理的巨大潜力.
- 提高分类准确性和有价值的视觉洞察力有助于改善患者护理和视觉健康结果.
- 集成先进的架构特征和转移学习为早期DR检测提供了一个有希望的方法.
