注意双变压器与适应性时卷积用于糖尿病视网膜病变检测
Mishmala Sushith1, Ajanthaa Lakkshmanan2, M Saravanan3
1Department of Information Technology, Adithya Institute of Technology, Kurumbapalayam, Coimbatore, Tamil Nadu, 641107, India. mishmalasushith1926@gmail.com.
Scientific reports
|March 5, 2025
概括
一种新型的注意力双变压器与适应性时间卷积 (ADT-ATC) 模型增强了视网膜图像中的糖尿病视网膜病 (DR) 检测. 这种人工智能方法实现了高精度,优于早期疾病识别的传统方法.
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) 是导致视力丧失的主要原因,需要准确和早期检测.
- 目前的DR检测方法经常在视网膜图像中与复杂的空间和时间特征作斗争.
研究的目的:
- 提出和评估一个注意力双变压器与自适应时间卷积 (ADT-ATC) 模型,以改善DR检测.
- 增强视网膜底图像中多尺度空间特征和时间依赖性的分析.
主要方法:
- ADT-ATC模型使用双空间变压器网络来处理多尺度的空间特征.
- 适应性时卷积单元捕获时间依赖性,这对于DR识别至关重要.
- 一个层次的交叉注意模块融合了空间和时间特征,以进行全面的分析.
主要成果:
- 在DRIVE数据集上,ADT-ATC模型实现了98.2%的准确性.
- 该模型在糖尿病视网膜病变数据集上显示了97.7%的准确性.
- 在DR检测方面,性能超过了传统的深度学习模型.
结论:
- 拟议的ADT-ATC模型在自动化DR检测方面取得了重大进展.
- 该模型能够整合空间和时间特征,从而带来卓越的诊断性能.
- 在早期DR查中,ADT-ATC显示出临床应用的前景.
