通过特征对齐和对抗性歧视用于早产诊断视网膜病变的双尺度变压器

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:

• 早产视网膜病变 (ROP) 是早产婴儿童年失明的重要原因之一.
• 有效的管理依赖于及时的诊断和治疗,这可能会受到医学图像风格的变化所阻碍.
• 当前的人工智能模型可能会面临性能下降,当应用到不同的图像风格的数据集时.

研究的目的:

• 开发一个强大的深度学习模型,用于ROP分类,不变于图像风格变化.
• 为了减轻通常在将训练在一个图像风格上的模型转移到另一个图像风格时观察到的性能下降.
• 提高自动ROP检测系统的准确性和可靠性.

主要方法:

• 提出了一个双尺度的Swin变压器 (DS-Swin-T) 网络,包括图像合成 (IS),特征对齐和对抗性学习.
• 该IS模块生成中间的风格图像,以减少风格差异.
• 使用特征对齐和对抗性学习技术来提取风格不变的特征以进行一致的分类.

主要成果:

• DS-Swin-T网络在源样式数据集上实现了97.91%的平均准确性.
• 当转移到不同的目标样式数据集时,该模型保持了高性能,达到93.66%的最大平均准确率.
• 提出的方法有效地解决了由图像风格差异引起的性能下降.

结论:

• DS-Swin-T网络在不同图像风格的早产视网膜病变分类方面表现出显著的有效性.
• 这种方法为改善医疗成像中基于AI的诊断工具的通用性和可靠性提供了一个有希望的解决方案.
• 这些发现强调了解决风格变化的重要性,以确保深度学习模型的稳健的临床应用.