基于集成学习与注意力机制的OCT扫描眼病预测
图像与视频处理
2023-11-28 v1 计算机视觉与模式识别
机器学习
摘要
数十年来眼病带来重大挑战，但技术进步为其检测与治疗开辟了新途径。机器学习与深度学习算法在此领域发挥着重要作用，尤其当其与光学相干断层扫描（OCT）成像结合时。我们提出一种从OCT图像高效检测眼病的新方法。该技术可将患者分类为无病（正常眼）或罹患特定病症如脉络膜新生血管（CNV）、糖尿病性黄斑水肿（DME）或玻璃疣。本工作中，我们引入一个端到端Web应用，利用机器学习与深度学习技术实现高效眼病预测。该应用允许患者提交原始OCT扫描图像，图像经训练的自定义UNet模型分割后，送入由InceptionV3与Xception网络构成并增强自注意力层的集成模型。该自注意力方法利用各模型特征图以提升分类精度。集成模型输出被聚合以预测并分类各类眼病。我们进行了大量实验与优化以确保应用效率与最优性能。结果表明所提方法在准确眼病预测上的有效性。所开发Web应用对早期检测与及时干预具重要潜力，从而改善眼科医疗结果。
引用
@article{arxiv.2311.15301,
title = {Eye Disease Prediction using Ensemble Learning and Attention on OCT Scans},
author = {Gauri Naik and Nandini Narvekar and Dimple Agarwal and Nishita Nandanwar and Himangi Pande},
journal= {arXiv preprint arXiv:2311.15301},
year = {2023}
}
备注
Full paper accepted at FICC (Springer) 2024