顺的OWA运营商的应用对视网膜色素炎的分类

科学领域:

• 眼科和医学成像学
• 人工智能在医学中的应用
• 机器学习用于医疗保健

背景情况:

• 皮质视网膜炎 (RP) 是一种罕见的遗传性疾病,导致光受体的渐进性退化和视力丧失.
• 准确和早期诊断RP对于患者管理和潜在的治疗干预至关重要.
• 现有的诊断方法可能是有限的,特别是小或不平衡的数据集.

研究的目的:

• 调查结合卷积神经网络 (CNN) 与有序加权平均 (OWA) 操作员的有效性,以改进视网膜炎颜色素分类.
• 评估不同预训练的CNN架构 (EfficientNet,ResNet,DenseNet) 的性能作为基础分类器.
• 探索新型Smooth OWA运营商对提高分类准确性的影响.

主要方法:

• 使用预先训练的CNN模型,包括EfficientNet,ResNet和DenseNet用于初始RP分类.
• 应用了经典的有序加权平均 (OWA) 运算符和新的平滑OWA运算符来聚合CNN预测.
• 评估了对罕见疾病特征的小型和不平衡数据集的分类性能.

主要成果:

• 在单个CNN分类器中,EfficientNet表现最高.
• 使用OWA运营商进行的聚合使分类准确度大约提高了25个百分点.
• 灵感来自牛顿-科特斯方程的光滑OWA运算符,比标准OWA运算符提供了进一步的持续改进.

结论:

• 将先进的CNN模型与OWA聚合技术相结合,可以大大提高RP分类的准确性.
• 顺的OWA操作员显示出在医疗诊断中提高机器学习的稳定性和性能方面的巨大潜力.
• 这种方法提供了一种有前途的策略来诊断罕见疾病,如色素视网炎,即使数据有限.