DeepEyeNet：基于自适应遗传贝叶斯算法的混合 ConvNeXtTiny 框架用于多特征视网膜视野气影诊断
计算机视觉与模式识别
2025-01-22 v1 信号处理
摘要
视网膜视野气影是全球导致不可逆失明的主要原因，强调早期检测和干预的重要性。本文提出了 DeepEyeNet，一个用于自动化视网膜 fundus 图像气影检测的新型综合框架。我们的ethods 集成了通过动态阈值化实现的高级图像标准化、通过 U-Net 模型实现的精确视盘和视房分割，以及涵盖解剖特征和纹理特征的综合特征提取。我们采用基于 ConvNeXtTiny 的定制化卷积神经网络（CNN）分类器，通过我们提出的自适应遗传贝叶斯优化（AGBO）算法进行优化。该提出的 AGBO 算法在超参数调优中平衡了探索与开发，导致显著的性能提升。在 EyePACS-AIROGS-light-V2 数据集上的实验结果表明，DeepEyeNet 达到了 95.84% 的高分类准确率，这是由于我们提出的 AGBO 算法提供的有效优化实现的，超过了现有方法。将图像处理技术、深度学习和通过我们提出的 AGBO 算法实现的优化化参调优相结合，使 DeepEyeNet 成为临床环境下早期气影检测的有前景的工具。
引用
@article{arxiv.2501.11168,
title = {DeepEyeNet: Adaptive Genetic Bayesian Algorithm Based Hybrid ConvNeXtTiny Framework For Multi-Feature Glaucoma Eye Diagnosis},
author = {Angshuman Roy and Anuvab Sen and Soumyajit Gupta and Soham Haldar and Subhrajit Deb and Taraka Nithin Vankala and Arkapravo Das},
journal= {arXiv preprint arXiv:2501.11168},
year = {2025}
}
备注
7 pages, 12 figures, 3 Tables, Accepted by 15th IEEE Symposium Series on Computational Intelligence (SSCI) 2025, Trondheim, Norway, Europe