基于Transformer的预训练模型检测圆锥角膜疾病的比较性能分析

本研究比较了八种预训练CNN用于诊断圆锥角膜，这是一种退行性眼病。使用了精心筛选的圆锥角膜、正常和可疑病例数据集。所测试的模型包括DenseNet121、EfficientNetB0、InceptionResNetV2、InceptionV3、MobileNetV2、ResNet50、VGG16和VGG19。为最大化模型训练效果，采用了不良样本移除、调整大小、归一化和数据增强。模型使用相似的参数、激活函数、分类函数和优化器进行训练以比较性能。为确定类别分离的有效性，每个模型在准确率、精确率、召回率和F1分数上进行了评估。MobileNetV2在识别圆锥角膜和正常病例方面表现最佳，误分类最少。InceptionV3和DenseNet121在圆锥角膜检测方面均表现良好，但在可疑病例上存在困难。相比之下，EfficientNetB0、ResNet50和VGG19在区分可疑病例与常规病例方面更为困难，表明需要模型改进与开发。对最先进的CNN架构进行详细比较以实现圆锥角膜自动识别，揭示了每个模型的优势与不足。本研究表明先进的深度学习模型可以提升圆锥角膜的诊断与治疗规划。未来研究应探索混合模型并整合临床参数以提高诊断准确性和在实际临床应用中的鲁棒性，为更有效的AI驱动眼科工具铺平道路。