采用变压器模型,特征融合和集体学习的多阶段框架,用于增强眼睛疾病分类.
1College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, Saudi Arabia. aialmohimeed@imamu.edu.sa.
Scientific reports
|August 19, 2025
概括
这项研究引入了多阶段深度学习框架 (MST-EDS) 以准确诊断眼部疾病. 拟议的模型在分类正常,糖尿病视网膜病变,青光眼和白内障图像方面实现了97.163%的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 眼部疾病的早期诊断对于预防视力障碍至关重要.
- 深度学习模型显示出从图像中自动诊断眼病的潜力.
- 当前的单模型架构可能会在复杂的特征提取中扎,以获得准确的分类.
研究的目的:
- 为改善眼病分类提出一个新的多阶段框架 (MST-EDS).
- 解决单模型架构在捕捉空间和细粒度特征方面的局限性.
- 为了将眼睛疾病分类为正常,糖尿病视网膜病变,青光眼和白内障.
主要方法:
- 开发了一个两阶段的框架:混合模型和堆叠模型.
- 混合模型使用了变压器架构 (ViT,DeiT,Swin) 进行特征提取,PCA用于维度减少,以及ML分类器.
- 堆叠模型结合了最佳混合模型的输出,以训练超学习者以提高性能.
主要成果:
- 该MST-EDS框架,特别是MST-EDS-RF模型,超过了个别的变压器和混合型号.
- 在基准Kaggle数据集上实现了97.163%的分类准确度.
- 证明了医学成像深度学习中的多阶段和堆叠方法的有效性.
结论:
- 拟议的MST-EDS框架为自动眼病诊断提供了一个强大而准确的解决方案.
- 与单个模型相比,多阶段和堆叠组合方法显著提高了分类性能.
- 这种方法有望改善早期检测和治疗各种眼睛疾病.
