基于注意力的混合深度学习,用于在 fundus 图像上的多标签眼科疾病检测
Rabiya Hanfi1, Harsh Mathur2, Ritu Shrivastava3
1Department of Computer Science & Engineering, Rabindranath Tagore University, Bhopal, India. rabiyahanfidr@gmail.com.
概括
一个新的混合深度学习模型,HAM-DNet,通过 fundus 图像准确地检测多种眼睛疾病. 这种高效和可解释的AI解决方案有助于早期诊断,改善患者的治疗结果.
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:
- 眼科疾病严重影响视力和生活质量.
- 通过 fundus 图像进行早期诊断对于有效治疗至关重要.
- 现有的深度学习模型在多标签眼科疾病分类中的准确性,可解释性和效率方面扎.
研究的目的:
- 引入HAM-DNet,这是一种用于多标签眼科疾病检测的新型混合深度学习模型.
- 为了提高诊断准确性和可解释性在自动化 fundus 图像分析.
- 开发一个有效的模型,适合临床部署.
主要方法:
- 哈姆-DNet集成了EfficientNetV2和视觉转换器 (ViT).
- 以注意力为基础的特征改进是使用挤压和激发 (SE) 块实现的.
- 一个基于U-Net的病变定位模块提高了解释性.
- 该模型在各种 fundus 图像数据集 (ODIR-5K,Messidor,G1020,JSIEC) 上进行了训练和验证.
主要成果:
- 哈姆-DNet显示出高性能:95.3%的准确性,96.2%的精度,97.1%的回忆,98.42的AUC和96.75的F1得分.
- 该模型实现了9.7 GFLOPS的低计算成本.
- 在多标签分类准确性和减少诊断错误方面,HAM-DNet超过了Shallow CNN和EfficientNet等现有模型.
结论:
- HAM-DNet提供了一种可靠,准确和可解释的方法来检测多种眼科疾病.
- 它的轻量级设计促进了临床整合,特别是在远程医疗和低资源环境中.
- 该模型支持眼睛疾病的自动化,高效和精确诊断.
