为了有效识别视网膜疾病:一种基于轻量级卷积神经网络的方法,使用光学一致性断层扫描
Utsab Saha1, Puja Saha1, Md Jahin Alam2
1Department of Electrical and Electronic Engineering Bangladesh University of Engineering and Technology Dhaka Bangladesh.
Healthcare technology letters
|February 16, 2026
概括
一个新的轻量级深度学习模型有效地从光学连贯断层扫描 (OCT) 图像中检测视网膜疾病. 这种实用方法增强了早期诊断,以更好地保护视力.
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:
- 视网膜疾病导致显著的视力丧失,需要早期检测.
- 光学连贯断层扫描 (OCT) 对于诊断视网膜疾病至关重要.
- 现有的深度学习模型用于OCT分析,对于临床边缘设备来说往往过于复杂.
研究的目的:
- 为实时视网膜疾病诊断开发一个高效,轻量级的深度学习框架.
- 在临床边缘设备上实现人工智能驱动的诊断工具的实际部署.
主要方法:
- 提出了一种新的轻量级深度学习架构,用于检测视网膜疾病.
- 集成了一个轻度卷积块,具有深度可分离的卷积,以提高效率.
- 整合了全球-本地融合块和挤压和激发机制,用于特征捕获和改进.
- 模型参数数量只有0.27万个.
主要成果:
- 在基准数据集上实现了高准确度:99.70% (OCT 2017),95.00% (OCT C8) 和97.26% (OCTDL).
- 通过混矩阵和ROC分析表现出强大而稳定的性能.
- 格拉德-CAM可视化提供了增强的模型解释性.
结论:
- 拟议的轻量级深度学习模型为实时视网膜疾病诊断提供了实用和高效的解决方案.
- 该架构适合在边缘设备上部署,方便临床应用.
- 该研究强调了高效的人工智能在改善视网膜疾病的早期检测和管理方面的潜力.


