OcuViT:一种基于视力转换器的方法,用于自动化糖尿病视网膜病变和AMD分类
Faisal Ahmed1, M D Joshem Uddin2
1Department of Data Science and Mathematics, Embry-Riddle Aeronautical University, 3700 Willow Creek Rd, Prescott, 86301, AZ, USA. ahmedf9@erau.edu.
Journal of imaging informatics in medicine
|September 20, 2025
概括
这项研究介绍了OcuViT,这是一种用于诊断糖尿病视网膜病变 (DR) 和与年龄相关的黄斑变性 (AMD) 的新型视力转换器模型. 在分类这些视网膜疾病方面,OcuViT实现了卓越的准确性和稳定性,改善了自动眼科诊断.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 早期发现糖尿病视网膜病变 (DR) 和与年龄相关的黄斑变性 (AMD) 对于预防视力丧失至关重要.
- 手动分析视网膜底图像是耗时的,需要专家解释.
- 使用深度学习的现有自动化方法在计算效率和稳定性方面面临挑战.
研究的目的:
- 通过视觉转换器 (ViT) 和转移学习,为自动眼科诊断提出一种新的方法.
- 开发和验证一个模型,OcuViT,用于准确分类DR和AMD.
- 在效率和稳定性方面解决当前自动化系统的局限性.
主要方法:
- 使用预先训练的ViT-Base-Patch16-224模型并为DR和AMD分类进行微调.
- 实现了精简的预处理管道,将视网膜图像转换为PyTorch张量器并将其标准化.
- 在APTOS数据集 (DR分类) 和IChallenge-AMD数据集 (AMD分级) 上验证了OcuViT模型.
主要成果:
- 在五类DR和AMD分级任务中,OcuViT实现了卓越的准确性和稳定性,超过了现有的基于CNN和ViT的方法.
- 该模型在二进制DR分类任务中表现出高度竞争力的性能.
- 高效的预处理管道提高了眼科图像的ViT模型兼容性和性能.
结论:
- OcuViT有效地利用基于ViT的转移学习来提高自动眼科诊断的精度和可靠性.
- 拟议的方法在视网膜疾病的自动检测和分类方面取得了重大进展.
- 这种方法有望改善眼科的临床工作流程和患者的治疗结果.
