糖尿病视网膜病变是由糖尿病引起的一种重要眼部疾病,不及时治疗可能会导致失明,现有的诊断方法主要依靠医生手动分类,但这种方法耗时耗力.随着深度学习的发展,越来越多的自动分类技术被应用到医学领域.针对糖尿病视网膜病变严重程度的...糖尿病视网膜病变是由糖尿病引起的一种重要眼部疾病,不及时治疗可能会导致失明,现有的诊断方法主要依靠医生手动分类,但这种方法耗时耗力.随着深度学习的发展,越来越多的自动分类技术被应用到医学领域.针对糖尿病视网膜病变严重程度的分类问题,样本图像十分稀缺,传统的单支模型很难达到较高的分类性能,提出一种孪生结构的分类模型Siamese Model with Swin-Transformer and MLP-Based U-Net(SSM),并利用数据扩增来解决此问题.首先,利用直方图均衡化、高斯滤波和增强对比度等方法预处理图像;然后,将预训练的Swin-Transformer作为SSM模型的特征提取分支网络来获得层次化的特征表示;此外,还设计了一个含有跳跃连接结构的MLP-Based U-Net(MU-Net)作为SSM模型的分类器来对提取的特征进行分类.在Messidor数据集上进行训练和测试,与现有最先进的模型相比,SSM模型性能更优,在测试集上的精确率达0.976,召回率达0.975,F1达0.976,准确率达0.975,Kappa系数达0.967.展开更多
文摘糖尿病视网膜病变是由糖尿病引起的一种重要眼部疾病,不及时治疗可能会导致失明,现有的诊断方法主要依靠医生手动分类,但这种方法耗时耗力.随着深度学习的发展,越来越多的自动分类技术被应用到医学领域.针对糖尿病视网膜病变严重程度的分类问题,样本图像十分稀缺,传统的单支模型很难达到较高的分类性能,提出一种孪生结构的分类模型Siamese Model with Swin-Transformer and MLP-Based U-Net(SSM),并利用数据扩增来解决此问题.首先,利用直方图均衡化、高斯滤波和增强对比度等方法预处理图像;然后,将预训练的Swin-Transformer作为SSM模型的特征提取分支网络来获得层次化的特征表示;此外,还设计了一个含有跳跃连接结构的MLP-Based U-Net(MU-Net)作为SSM模型的分类器来对提取的特征进行分类.在Messidor数据集上进行训练和测试,与现有最先进的模型相比,SSM模型性能更优,在测试集上的精确率达0.976,召回率达0.975,F1达0.976,准确率达0.975,Kappa系数达0.967.
