HyReti-Net:混合视网膜疾病分类和诊断网络,使用光学连贯性断层扫描
Jikun Yang1,2, Chaoliang Hsu3, Jing Wang2
1Aier Eye Medical Center of Anhui Medical University, Hefei, Anhui, China.
Frontiers in medicine
|October 15, 2025
概括
这项研究介绍了HyReti-Net,这是一种新的混合网络,用于从光学连贯断层扫描 (OCT) 图像中诊断视网膜疾病. 通过有效地整合本地和全球特征,HyReti-Net实现了卓越的分类准确性,优于现有的最先进方法.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 光学连贯断层扫描 (OCT) 能够可视化视网膜层,用于疾病诊断.
- 像CNN和ViTs这样的计算机辅助诊断 (CAD) 算法可以分析OCT图像,但在特征提取方面存在局限性.
- 美国有线电视新闻网 (CNN) 难以应对全球性特征,而ViT则缺乏本地偏见,需要大量数据.
研究的目的:
- 开发一个混合深度学习网络,以使用OCT图像进行增强的视网膜疾病分类.
- 解决现有的CNN和ViT在分析OCT扫描中的局限性.
- 提高视网膜疾病自动诊断的准确性和效率.
主要方法:
- 提出了HyReti-Net,这是一个双分支混合网络,将ResNet-50用于本地功能和Swin变压器用于全球功能.
- 引入了具有连接,残余块和注意力机制的特征融合模块 (FFM),以有效地整合本地和全球特征.
- 实施了多层次的特征融合战略,以提高全球特征提取能力.
主要成果:
- 与现有方法相比,HyReti-Net在多个公共OCT数据集 (OCT-2014,OCT-2017,OCT-C8) 上表现出优越的性能.
- 废弃研究证实了拟议的架构及其组件的有效性.
- 为OCT图像分类生成的热图增强了模型的解释性.
结论:
- 拟议的HyReti-Net有效地通过使用双分支和特征融合模块的混合多尺度网络来诊断视网膜疾病.
- 实验结果显示,HyReti-Net在分类准确性方面超过了最先进的网络.
- 这种人工智能驱动的方法为眼科医生在临床诊断中提供了宝贵的参考.
