相关实验视频
Updated: May 30, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.5K
使用混合深度学习架构进行高血压视网膜病变的严重程度分级
Supriya Suman1, Anil Kumar Tiwari2, Shreya Sachan2
1Interdisciplinary Research Division: Smart Healthcare, Indian Institute of Technology, Jodhpur, 342030, Rajasthan, India.
Computer methods and programs in biomedicine
|January 25, 2025
概括
一个新的AI模型使用混合ResNet-50和视觉转换器架构准确地评估高血压视网膜病变 (HR) 的严重程度. 这种方法解决了有限的数据集和类不平衡,优于现有的方法来更好地分层患者的风险.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 计算机视觉用于疾病诊断和诊断
背景情况:
- 高血压视网膜病变 (HR) 是持续高血压的严重并发症,需要准确的严重程度分级来管理患者和维护视力.
- 目前在人力资源分级方面的研究是有限的,缺乏公开可用的数据集和阶级不平衡带来的重大挑战.
- 人工智能和计算机辅助诊断系统对于推进人力资源诊断和分级效率至关重要.
研究的目的:
- 介绍"HRSG:专家注释高血压视网膜病变严重程度分级"数据集,其中包括四个不同的HR严重程度等级.
- 开发一种新的混合AI架构,将ResNet-50和Vision Transformer (ViT) 结合起来,以提高HR分级性能,特别是在有限的数据的情况下.
- 解决人力资源数据集中阶级不平衡的挑战,使用解表示和分类器 (DRC) 培训方法.
主要方法:
- 开发HRSG数据集用于专家注释的HR严重程度分级.
- 实现混合人工智能模型,将ResNet-50的转移学习与改进的视觉变压器 (ViT) 集成,结合全球和本地自我注意机制.
- 应用解表示和分类器 (DRC) 培训策略,以缓解类不平衡并改善特征学习.
主要成果:
- 拟议的混合人工智能模型实现了高性能指标:0.9688的平均精度,0.9435的灵敏度,0.9766的特异性,0.9442的F1得分和0.9474的精度.
- 对比分析表明,拟议的方法显著优于现有的HR分级方法,最先进的CNN模型和基线ViT模型.
- 与CNNViT模型相比,混合模型显示出更高的性能,突出显示了其在HR严重性分类中的有效性.
结论:
- 开发的混合人工智能架构和DRC培训方法对于准确的高血压视网膜病变严重程度分级非常有效.
- 该HRSG数据集和拟议的方法为推进人工智能驱动的人力资源诊断提供了强大的解决方案,特别是在数据有限和阶级不平衡的场景中.
