视觉状态空间模型用于甲状腺眼病分类的视觉状态空间模型

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 甲状腺眼病 (TED) 是一种重要的自身免疫性疾病,影响视力和生活质量.
• 使用光连贯断层扫描 (OCT) 图像自动诊断TED是一个活跃的研究领域.
• 使用卷积神经网络 (CNN) 和变压器的当前方法在高分辨率医疗图像的准确性和计算效率方面存在局限性.

研究的目的:

• 开发一种更强大,更准确的甲状腺眼病 (TED) 自动诊断模型.
• 克服现有的深度学习模型在处理OCT复杂图像特征和噪声方面的局限性.
• 提高AI在诊断轨道疾病中的临床适用性.

主要方法:

• 提出了一个混合深度学习架构,集成CNN,注意力机制和视觉状态空间模型 (VSSM).
• 开发了一种新的对比损失函数,使用近接类间平均取样 (PICMS) 来增强特征歧视.
• 实施了分层的耐噪训练策略,以解决临床OCT图像中的工件问题.

主要成果:

• 拟议的混合模型在多个评估指标上,比现有方法表现优越,包括准确性和F1分数.
• 在公共和临床数据集上的实验结果证实了该模型的增强诊断稳定性和概括能力.
• 该模型有效地提高了图像特征的类内紧性和类间分离.

结论:

• 开发的混合人工智能模型为甲状腺眼病 (TED) 的自动诊断提供了有希望的进步.
• 新的架构和培训策略提高了稳定性和准确性,为改善临床决策支持铺平了道路.
• 公开可用的代码促进了人工智能驱动的眼科诊断领域的进一步研究和开发.