优化深度学习模型,用于用视力转换器对光眼查,以提高资源效率,并使用饼增强方法来进行光眼查

科学领域:

• 眼科和人工智能的人工智能
• 医学成像分析 医学成像分析
• 计算机视觉在医疗保健中的应用

背景情况:

• 玻璃眼是不可逆转的视力丧失的主要原因,需要早期检测.
• 目前基于人工智能的青光眼查主要使用卷积神经网络 (CNN) 在 fundus 图像上.
• 在大规模选中,CNN面临与计算资源和处理时间相关的挑战.

研究的目的:

• 评估用于眼查的数据效率高的图像转换器 (DeiT),旨在减少计算需求.
• 通过新的增强技术来提高Deit性能,以提高准确性和效率.
• 将拟议的基于DeiT的方法与传统的CNN模型的有效性进行比较.

主要方法:

• 使用了GlauCUTU-DATA数据集,眼科医生通过一致 (3/3) 和多数 (2/3) 的同意进行了注释.
• 与CNN相比,实现了数据效率高的图像转换器 (DeiT),预处理时间减少了10倍.
• 引入了与ISNT规则一致的"蛋糕方法"增强和极转换,以提高杯子可见性.

主要成果:

• 增强后的DeiT实现了与CNN模型相比的分类性能.
• 使用3/3数据,但不包括特定地区,对可疑青光眼患者的敏感性增加了40.18% (至88.24%).
• 曲线下的面积 (AUC) 值接近CNN的表现,而3/3数据集的AUC为大眼瘤约为92.63%±4.39%.

结论:

• 提出的基于DeiT的方法提供了一个计算效率高的替代方案来眼查.
• "饼法"和极转换显著提高了DeiT的诊断准确性.
• DeiT的注意力地图有助于定位磁盘边缘和口等关键特征,提高选效率.