相关实验视频

Updated: May 16, 2025

Optimization of the Retinal Vein Occlusion Mouse Model to Limit Variability

Optimization of the Retinal Vein Occlusion Mouse Model to Limit Variability

Published on: August 6, 2021

nnMobileNet:重新思考网膜病变研究的CNN

Wenhui Zhu¹, Peijie Qiu², Xiwen Chen³

¹School of Computing and Augmented Intelligence, Arizona State University.

Conference on Computer Vision and Pattern Recognition Workshops. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Workshops

|May 13, 2025

概括

一个优化的MobileNet卷积神经网络 (CNN) 模型在检测和跟踪视网膜疾病方面表现优于视觉变压器 (ViT). 这种更新的CNN架构在糖尿病视网膜病变分级和其他关键诊断基准中提供了卓越的性能.

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:

卷积神经网络 (CNN) 历来主导了视网膜疾病 (RD) 的检测.
视觉转换器 (ViT) 最近因其可扩展性而成为领先的模型.
基于ViT的补丁处理可以阻碍RD中小病变的精确定位.

研究的目的:

为了改进 RD 诊断,重新评估和增强一个 CNN 架构 (MobileNet).
调查一个优化的CNN能否在RD任务中与ViT的性能竞争或超越.
为网膜疾病分析提供可访问,优化的CNN模型.

主要方法:

重新审视和修改MobileNet CNN模型的架构.
在各种R&D基准上对基于ViT的模型进行优化MobileNet的评估.
使用 fundus 图像进行糖尿病视网膜病变分级,多种疾病检测和糖尿病黄斑的分类.

主要成果:

优化的MobileNet架构与基于ViT的模型相比,表现出更高的性能.
在糖尿病视网膜病变分级方面,CNN模型取得了领先的结果.
该模型还在检测多种 fundus 疾病和分类糖尿病黄斑方面表现出色.

结论:

对MobileNet的选择性修改可以提高对视网膜疾病的诊断效用.
优化的CNN,就像重新设计的MobileNet一样,可以在特定的RD应用中超过先进的ViT模型.
开发的模型为RD诊断提供了有竞争力的替代方案,解决了ViT在病变定位方面的局限性.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Deep Neural Networks for Image-Based Dietary Assessment

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

相关概念视频

The Retina

The Retina

The retina is a layer of nervous tissue at the back of the eye that transduces light into neural signals. This process, called phototransduction, is carried out by rod and cone photoreceptor cells in the back of the retina.