剩余的自我注意力视觉转换器用于检测获得的形病变和与年龄相关的斑点

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:

• 准确识别视网膜疾病仍然是医学诊断的一个重大挑战.
• 深度学习方法,特别是视觉转换器 (ViT),在视网膜图像分类方面表现有前途.

研究的目的:

• 提出一种新型的残留自我注意力视觉转换器 (RS-A ViT),用于自动检测获得的形病变 (AVL) 和黄斑干燥.
• 为了区分这些情况和健康的视网膜,使用光学连贯性断层扫描 (OCT) 图像.

主要方法:

• 开发RS-A ViT模型,包括一个残留自我注意模块来提高性能.
• 创建一个新的数据集,结合来自多个中心的AVL数据和Drusen和正常病例的OCT数据.
• 应用数据增强技术和Grad-CAM用于模型可解释性.

主要成果:

• RS-A ViT模型实现了96.62%的高精度,超过了既有方法,如EfficientNet,InceptionV3,ResNet50,VGG16和标准ViT.
• Grad-CAM分析证实该模型专注于用于疾病检测的OCT图像中的相关区域.

结论:

• RS-A ViT模型显示了对视网膜疾病的准确分类有很大的潜力.
• 这种人工智能工具可以作为眼科医生在诊断视网膜疾病时的宝贵支持系统.