基于双边密集网络的眼表疾病识别方法研究

眼表疾病是常见且复杂的眼部疾病,早期诊断对患者的日常生活质量具有重要意义。传统检查方法主要由医生依靠医学显微镜来实现诊断,存在就诊成本高、专业医疗设备不足和专业医师供需紧张等问题。为了提高眼表疾病的识别准确率,节省就诊成本,缓解医疗资源紧张,提出了一种基于双边密集网络的眼表疾病识别方法,该方法引入与卷积操作并行的混合运算,其中,分组卷积和矩阵变换能够提取到更加多样化的眼表图像特征,避免了训练过程中冗余特征的计算,提高了特征利用效率。通过与不同的深度学习方法进行实验对比,该方法识别眼表疾病的平均准确率达到了91.26%,显示了更优的性能。

基于轻量级网络的眼表疾病识别方法研究

由于内存和计算资源的限制,在可移动设备端部署识别眼表疾病的深度卷积神经网络模型十分困难。对此,文章设计一种轻量的聚集模块用于构建高效的轻量级网络架构,网络通过减少宽度和深度,并结合深度可分离卷积、标准卷积和幽灵模块来并行生成特征映射,同时引入通道混洗操作改善不同特征通道之间的信息交互。通过对眼表图像数据集进行实验评估,与当前其他轻量级网络方法相比,文章方法以更少的参数量0.24M、更少的计算成本1.88B和更高的准确率90.56%显示了最佳性能。