CNN-Mamba 互动融合网络用于诊断早产儿视网膜病变

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 过早性视网膜病变 (ROP) 是儿童失明的重要原因,其特征是视网膜血管发育异常.
• 通过 fundus 图像来诊断 ROP 是很困难的,因为早产儿的外周病变和未成熟的眼睛结构.
• 现有的深度学习模型,如CNN和变压器,在捕捉远程依赖和ROP诊断的计算效率方面面临局限性.

研究的目的:

• 开发一种先进的深度学习模型,用于准确诊断早产视网膜病变 (ROP).
• 克服当前CNN和变压器模型在分析复杂的视网膜底图像以检测ROP方面的局限性.

主要方法:

• 提出了一个新的CNN-Mamba交互融合网络 (CMIFNet) 用于ROP诊断.
• 实现了双分支架构:用于本地特征提取的CNN分支和用于全球信息集成的双向状态空间模型 (BSSM) 分支.
• 引入了交互式注意力融合模块 (IAFM),以增强CNN和BSSM分支机构之间的特征交互和基于注意力的集成.

主要成果:

• 在临床ROP数据集上,CMIFNet模型显示出有前途的认可性能.
• 融合网络有效地整合了本地和全球特征,提高了诊断准确度.
• 该IAFM模块增强了两个分支机构的功能互动和集成.

结论:

• 拟议的CMIFNet为诊断早产视网膜病变提供了一种强大而有效的方法.
• 这种人工智能驱动的方法显示了改善ROP早期检测和管理的潜力,从而减少儿童失明.
• 在复杂的医疗图像分析任务中,CNN-Mamba交互融合策略提供了一个可行的解决方案.