变压器架构的比较分析和集成方法自动化眼镜查在 Fundus 图像从便携式眼镜镜的图像
Rodrigo Otávio Cantanhede Costa1, Pedro Alexandre Ferreira França1, Alexandre César Pinto Pessoa1
1Computer Science Department, Universidade Federal do Maranhão (UFMA), Campus do Bacanga, São Luís 65085-580, Brazil.
Vision (Basel, Switzerland)
|November 24, 2025
概括
集成变压器模型通过便携式设备的低质量图像来改善青光眼的检测. 这种方法提高了准确性,减少了假阴性,使早期查更容易获得.
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:
- 对于青光眼查的深度学习通常需要高分辨率图像和卷积神经网络 (CNN).
- 这些方法的性能随着便携式设备的噪音和低分辨率图像的显著降低,限制了可访问性.
研究的目的:
- 在具有挑战性,低质量的成像场景中,研究使用多个变压器架构组合方法的有效性,用于在挑战性,低质量的成像场景中自动检测青光眼.
- 用各种数据集评估模型的稳定性,包括那些与智能手机合眼镜图像的数据集.
主要方法:
- 训练并评估了四种变压器模型 (Swin-Tiny,ViT-Base,MobileViT-Small,DeiT-Base) 单独和组合.
- 利用巴西玻璃眼 (BrG) 和私人D-Eye数据集,以噪音和可变质量的图像为特色.
- 在图像和患者层面评估性能,使用Grad-CAM进行注意力图分析.
主要成果:
- 合并组合和患者级聚合显著提高了低质量的图像的精度和灵敏度.
- 在D-Eye数据集上获得了高达85%的准确性和84.2%的F1分数,虚假负数减少.
- 格拉德-CAM证实了变形金刚的重点是诊断相关的解剖区域.
结论:
- 变压器组合为眼病检测提供了强大的解决方案,即使图像质量低于最佳.
- 患者层面的聚合和合并策略可以缓解与便携式诊断设备相关的性能下降.
- 这种方法有可能在服务不足的人群中进行可访问的早期青光眼检测.
