长尾多颗粒性白内障分类变压器中的反焦损失.
IEEE journal of biomedical and health informatics
|June 25, 2025
概括
这项研究引入了一种新的多颗粒性白内障分类方法,提高了诊断准确度. 拟议的模型有效地处理不平衡的数据,帮助医生做出更好的白内障治疗决策.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 诊断白内障需要分类不同的类型和严重程度,现有的方法在处理多颗粒度水平方面有限.
- 目前的方法往往将白内障分为常见类型,或专注于细粒度的特定类型的分级,缺乏全面的分类.
- 不同类型的白内障严重程度的不同评估需要改进的诊断工具.
研究的目的:
- 开发一个改进的多颗粒性白内障分类系统.
- 解决现有方法在不同颗粒度水平预测各种白内障类型的局限性.
- 提高诊断效率,为临床决策提供可靠的定量评估.
主要方法:
- 收集了一个名为多粒度长尾白内障的大规模数据集.
- 提出了一个端到端的培训网络,利用变压器进行多颗粒性白内障特征提取.
- 引入反焦损失以解决数据不平衡和白内障数据集中的长尾分布.
主要成果:
- 拟议的模型在多颗粒性白内障分类数据集上实现了高精度 (78.22%),F1得分 (68.35%),卡帕 (64.38%) 和MCC (64.49%).
- 与最先进的方法相比,在多颗粒性白内障分类中表现出卓越的性能.
- 该框架为医生提供了有希望的可靠的定量评估.
结论:
- 开发的框架为多粒度白内障分类提供了一个有希望的解决方案.
- 该方法通过提供可靠的定量评估,帮助医生做出明智的治疗决定.
- 该研究强调了变压器网络和反焦损失在推进自动白内障诊断方面的潜力.
