一个轻量级的深度学习模型,具有对高血压视网膜病变分类的注意力机制

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 高血压视网膜病变 (HR) 是高血压的重要并发症,需要及时诊断以避免视力受损.
• 目前HR的诊断方法涉及手动 fundus 图像分析,这是劳动密集型的,容易发生观察者之间的变化.
• 开发自动化,准确的诊断工具对于有效的临床决策支持至关重要.

研究的目的:

• 推出MA-DNet,一种新的轻量级深度学习模型,用于自动化高血压视网膜病变分类.
• 通过将DenseNet与道和空间注意力机制集成,提高HR诊断的准确性.
• 通过使用公认的临床数据集验证MA-DNet的疗效.

主要方法:

• 开发MA-DNet,这是一个深度学习架构,将DenseNet与道和空间注意力模块相结合.
• 实施功能增强和数据平衡策略以优化模型性能.
• 在OIA-ODIR数据集上对MA-DNet进行严格的评估,以对高血压视网膜病变进行分类.

主要成果:

• 在OIA-ODIR数据集上,MA-DNet实现了95.8%的分类准确度.
• 拟议的模型与现有的HR检测最先进方法相比,表现出更高的性能.
• 注意力机制显著有助于提高分类准确性.

结论:

• MA-DNet为高血压视网膜病的诊断提供了一个高度准确和高效的自动化解决方案.
• 注意力机制的整合有效地改善了HR分类的深度学习模型性能.
• 这种人工智能驱动的方法有望改善临床决策和预防高血压患者的视力丧失.