Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Sep 10, 2025

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping
07:11

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping

Published on: December 8, 2023

1.9K

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.

Abdulaziz AlMohimeed1

  • 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
PubMed
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.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Cloud-based real-time enhancement for disease prediction using Confluent Cloud, Apache Kafka, feature optimization, and explainable artificial intelligence.

PeerJ. Computer science·2025
Same author

Advancing arabic dialect detection with hybrid stacked transformer models.

Frontiers in human neuroscience·2025
Same author

ViT-PSO-SVM: Cervical Cancer Predication Based on Integrating Vision Transformer with Particle Swarm Optimization and Support Vector Machine.

Bioengineering (Basel, Switzerland)·2024
Same author

Automated Diagnosis for Colon Cancer Diseases Using Stacking Transformer Models and Explainable Artificial Intelligence.

Diagnostics (Basel, Switzerland)·2023
Same author

Diagnosis of COVID-19 Using Chest X-ray Images and Disease Symptoms Based on Stacking Ensemble Deep Learning.

Diagnostics (Basel, Switzerland)·2023

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.
关键词:
数据效率图像变压器 (DeiT)诊断模型是一个诊断模型.眼部疾病 眼部疾病图像处理 图像处理这就是MST-EDS.斯温变压器是什么意思视觉变压器 (ViT) 是一个视觉变压器.

更多相关视频

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.0K

相关实验视频

Last Updated: Sep 10, 2025

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping
07:11

Author Spotlight: Insights into Visual Cortex Research Through Wide-View fMRI Mapping

Published on: December 8, 2023

1.9K
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.0K