一个CNN-变压器融合网络用于糖尿病视网膜病变的图像分类
Xuan Huang1, Zhuang Ai2, Chongyang She3
1Medical Research Center, Beijing Chao-Yang Hospital, Capital Medical University, Beijing, China; Department of Ophthalmology, Beijing Chao-Yang Hospital, Capital Medical University, Beijing, China.
概括
一个新的AI模型DR-CTFN从眼睛图像中准确检测糖尿病视网膜病变 (DR). 这种先进的深度学习方法为诊断DR提供了更快,更可靠的方法,有助于预防视力丧失.
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:
- 糖尿病视网膜病变 (DR) 是全球失明的主要原因.
- 目前的DR诊断依赖于手动解释 fundus 图像,这是耗时和主观的.
- 需要自动化,准确和可扩展的DR检测方法.
研究的目的:
- 开发和评估一种新的深度学习模型,DR-CTFN,用于自动检测糖尿病视网膜病变.
- 与现有方法相比,提高DR诊断的准确性和效率.
- 提供一个强大的工具,用于早期检测和预防DR患者的视力丧失.
主要方法:
- 开发了一个卷积神经网络-变压器融合模型 (DR-CTFN),将ConvNeXt和Swin变压器与轻量级注意力块 (LAB) 集成在一起.
- 标准化预处理和广泛的图像增强被用来解决数据集不平衡.
- 该模型在Kaggle EyePACS数据集上进行了训练和验证,在APTOS 2019和临床DR数据集上进行了外部验证.
主要成果:
- 在Kaggle EyePACS数据集上,DR-CTFN在独立的ConvNeXt和Swin变压器模型上表现出优异的性能,实现了更高的精度和曲线下面积 (AUC).
- 在独立数据集上,外部验证显示了高准确度 (84.45%和85.31%) 和AUC (95.22%和95.79%).
- 该模型在快速,强大和精确的DR检测方面被证明是有效的.
结论:
- 该DR-CTFN模型在自动检测糖尿病视网膜病变方面取得了重大进展.
- 这种人工智能驱动的方法为早期DR诊断和预防视力障碍提供了可扩展的解决方案.
- 这些发现表明,DR-CTFN可以通过及时干预来提高患者的生活质量.
