基于长尾学习的近视性黄斑病的智能分级模型
Bo Zheng1,2, Chen Wang1, Maotao Zhang1
1School of Information Engineering, Huzhou University, Huzhou, China.
Translational vision science & technology
|March 6, 2025
概括
这项研究引入了近视性黄斑病的智能分级模型,使用长尾学习和改进的LTBSoftmax损失函数. 该模型提高了诊断的准确性和效率,为临床医生提供了一个实用的工具.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 近视性黄斑症在自动分级中提出了一个长尾数据分布挑战.
- 现有的模型可能会与数据不平衡作斗争,影响诊断的准确性和效率.
研究的目的:
- 使用长尾学习框架开发近视性黄斑病的智能分级模型.
- 通过改进的LTBSoftmax损失函数来解决数据不平衡,以提高分级能力和效率.
主要方法:
- 采用了7529张彩色 fundus 照片的数据集,并使用专家眼科医生的注释来证明基本真相.
- 构建了一个智能分级模型,结合LTBSoftmax损失函数和ND Block来增强特征提取.
- 模型的性能使用标准分级指标进行评估.
主要成果:
- 在诊断四种近视性黄斑病变时,LTBSoftmax模型实现了88.89%的k系数.
- 该模型表现出卓越的性能,与专家诊断高度一致.
- 该模型的紧尺寸 (18.7 MB) 表示存储和计算资源的高效率.
结论:
- 智能分级系统使用长尾学习策略有效地改善了近视性黄斑病的分类.
- 这个模型可以作为临床医生的实用分级工具,特别是在资源有限的环境中.
