一个低复杂度高效的深度学习模型用于自动视网膜疾病诊断
Sadia Sultana Chowa1, Md Rahad Islam Bhuiyan1, Israt Jahan Payel1
1Health Informatics Research Laboratory (HIRL), Department of Computer Science and Engineering, Daffodil International University, Dhaka-1341, Bangladesh.
Journal of healthcare informatics research
|February 3, 2025
概括
使用光学连贯断层扫描 (OCT) 早期检测视网膜疾病对于预防视力丧失至关重要. 一个新的深度学习模型,OCCT,在从OCT图像中分类视网膜疾病时,达到97.09%的准确性,优于其他先进模型.
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:
- 早期发现和治疗视网膜疾病对于保持视力至关重要.
- 光学连贯断层扫描 (OCT) 是用于诊断眼睛疾病的关键成像技术.
- 深度学习为自动分析海外国家和地区图像提供了潜力.
研究的目的:
- 开发和评估一个深度学习模型,将人类视网膜OCT图像分为四类.
- 通过预处理和生成对抗网络 (GAN) 提高图像质量并解决数据不平衡.
- 将拟议模型的性能与已建立的基于变压器的架构进行比较.
主要方法:
- 人类视网膜OCT图像使用GANs进行了预处理和增强,最终得到了130,649张图像.
- 开发了一种新的轻量级优化紧卷积变压器 (OCCT) 模型.
- 在32x32图像上训练和评估OCCT模型,以及视觉转换器 (ViT),Swin转换器和八个转移学习模型.
主要成果:
- 在分类视网膜疾病方面,OCCT模型实现了97.09%的高精度.
- 与ViT和Swin变压器模型相比,OCCT表现出卓越的性能.
- 模型的稳定性得到证实,即使训练数据减少,性能也保持不变.
结论:
- 拟议的OCCT模型是有效的准确和可靠的分类视网膜疾病从OCT图像.
- 这种深度学习方法有望改善早期诊断和治疗危及视力的疾病.
- OCCT模型为自动视网膜图像分析提供了强大而高效的解决方案.
