D-GET: 糖尿病视网膜病变的组增强变压器严重性分类在 fundus 光素血管学
Xina Liu1, Jun Xie2, Junjun Hou3
1College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan, Shanxi, 030002, China.
Journal of medical systems
|March 5, 2025
概括
早期发现糖尿病视网膜病变 (DR) 对于保持视力至关重要. 一个新的深度学习模型,D-GET,有效地使用FFA图像对DR严重程度进行分类,改善了小病变的检测.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 诊断需要及时检测以防止视力丧失.
- 使用 Fundus Fluorescein Angiography (FFA) 进行手动 DR 诊断是劳动密集型,昂贵且容易出现不准确性.
- 现有的DR分类模型在微妙的病变变化和检测小病变方面扎.
研究的目的:
- 从FFA图像开发一个深度学习模型来准确地对DR进行分类.
- 提高小规模DR病变的检测,这些病变通常被当前的方法遗漏.
- 为了提高DR诊断的效率和准确性.
主要方法:
- 提出了一种名为D-GET (糖尿病视网膜病变 - 群体增强型变压器) 的新型深度学习模型.
- 整合了一个全尺寸的变压器块与一个集团焦点模块用于多尺寸的特征捕获和上下文集成.
- 集成了一个频道自适应注意模块 (CAAM),用于改进特征检测和定位.
主要成果:
- 与定制数据集上的现有方法相比,D-GET模型显示出更高的性能.
- 该模型显著改善了对早期DR诊断至关重要的小规模病变的检测.
- 在FFA图像中,D-GET增强了DR病变严重程度的分类.
结论:
- D-GET模型在使用FFA的自动化DR分类方面取得了重大进展.
- 通过D-GET改进的小病变检测有助于更早,更准确的DR诊断.
- 这种深度学习方法为眼科和医学成像中的更广泛应用提供了基础.
