在OCT放射图像中用于视网膜疾病识别的多尺度注意力超级注意力网络
Abdulmajeed M Alenezi1, Daniyah A Aloqalaa2, Sushil Kumar Singh3
1Department of Electrical Engineering, Faculty of Engineering, Islamic University of Madinah, Madinah, Saudi Arabia.
Frontiers in medicine
|November 25, 2024
概括
这项研究引入了一个新的深度学习网络,用于识别视网膜疾病在光学连贯断层扫描 (OCT) 图像. 这种新的方法增强了多级特征提取,提高了对各种视网膜疾病的诊断准确性.
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:
- 从光学连贯断层扫描 (OCT) 图像中准确识别视网膜疾病对于早期诊断和治疗至关重要.
- 以前的方法通常依赖于单一尺度的特征和不那么复杂的注意力机制.
- 特征提取的局限性阻碍了精确识别微妙的视网膜异常.
研究的目的:
- 开发一种新的深度学习模型,用于在OCT图像中进行增强的多尺度特征提取,以识别视网膜疾病.
- 提高视网膜疾病自动诊断的准确性和稳定性.
- 解决现有方法中单级特征提取的局限性.
主要方法:
- 利用EfficientNetB7作为从OCT图像中进行多尺度特征提取的支柱.
- 提出了一个金字塔式注意力机制,将多头自我注意力 (MHSA) 与密集的形空间金字塔聚合 (DASPP) 整合在一起.
- 整合了高效通道注意力 (ECA) 和空间精细化模块,以增强特征表示.
主要成果:
- 废弃性研究证实了每个拟议模块对整体性能的重大贡献.
- 与现有的最先进的方法相比,开发的双重注意力网络表现出优越的性能.
- 该网络有效地捕获了多个规模的远程依赖关系和上下文信息,以精确地定位异常.
结论:
- 拟议的深度学习网络有效地增强了OCT图像中的视网膜疾病识别的多尺度特征提取.
- 先进的注意力机制和多尺度处理对于提高诊断准确性至关重要.
- 该网络显示出在视网膜疾病的早期检测和管理中临床应用的巨大潜力.
