一个基于适应性尺度区分器和混合损失的多类 fundus 疾病分类系统
Shiyu Zhou1, Jue Wang1, Bo Li1
1School of Information Science and Engineering, Dalian Polytechnic University, Dalian 116034, PR China.
Computational biology and chemistry
|October 15, 2024
概括
这项研究引入了一个深度学习系统,用于从眼底图像中分类多种眼科疾病,即使在不平衡的数据中也能达到高精度. 该方法增强了疾病特征的检测,并为眼科诊断提供了有效的解决方案.
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:
- 眼底图像对于眼科疾病的诊断至关重要.
- 由于复杂的结构和不平衡的数据集,同时检测多种疾病存在挑战.
- 现有的深度学习方法在多标签基金图像分类中与准确性和培训困难作斗争.
研究的目的:
- 从眼底图像开发一个深度学习系统,用于准确的多标签眼科疾病分类.
- 解决复杂疾病结构和阶级不平衡在 fundus 图像分析中的挑战.
- 提高眼科疾病的检测能力和诊断准确度.
主要方法:
- 使用ResNet50作为功能提取的骨干.
- 整合了一种新的多维注意模块和自适应尺度区分器,以增强特征检测.
- 开发了一种混合损失函数,以便在训练期间有效处理不平衡的数据.
主要成果:
- 拟议的系统在ODRI-5K数据集上实现了98.53%的曲线下的面积 (AUC).
- 获得了89.73%的F1得分,证明了强大的分类性能.
- 该方法显示出出色的疾病分类能力,特别是在不平衡的数据集中.
结论:
- 开发的多标签 fundus 图像疾病分类系统显示出卓越的识别能力.
- 拟议的系统提供了一种有效的解决方案,用于从眼底图像诊断多种眼科疾病.
- 创新的混合损失函数和注意力机制有助于提高具有挑战性的数据集的准确性.
