典型文献
融合注意力的ConvNeXt视网膜病变自动分级
文献摘要：
由于视网膜病变的类间图像特征差别小及分类临界值相对模糊,自动分级算法存在识别与分级准确率低的问题,提出了融合高效通道注意力(Efficient Channel Attention,ECA)特征的ConvNeXt视网膜病变自动分级模型.针对数据集中数据不足的问题,采用水平翻转左右变换的方法扩充数据,并引入相关数据集来均衡数据的分布.针对眼底图像中出现的图像模糊、光照不均等问题,采用Graham方法对图像进行预处理突出病变特征.提出了融合注意力的Con?vNeXt网络来辅助医生诊断视网膜病变,引入ECA机制,并设计了E-Block模块,该模块具有高性能、低参数的特性,能够在训练过程中有效捕捉跨通道交互的信息,同时避免降维.采用迁移学习方法训练网络的所有层参数,加入dropout方法避免ConvNeXt网络的学习能力过强导致的过拟合问题.实验结果表明,所提出的模型敏感性为95.20％,特异度为98.80％,准确率为95.21％.与常用的网络相比,本文方法针对视网膜病变自动分级各项性能指标均有提高.
文献关键词：
视网膜病变识别与分级;迁移学习;ConvNeXt网络;高效通道注意力;E-Block
中图分类号：
作者姓名：
黄文博;黄钰翔;姚远;燕杨
作者机构：
长春师范大学计算机科学与技术学院,吉林长春130032;中国科学院重大任务局,北京100864
文献出处：
引用格式：
[1]黄文博;黄钰翔;姚远;燕杨-.融合注意力的ConvNeXt视网膜病变自动分级)[J].光学精密工程,2022(17):2147-2154
A类：
ConvNeXt,vNeXt,视网膜病变识别与分级
B类：
自动分级,图像特征,高效通道注意力,Efficient,Channel,Attention,ECA,分级模型,充数,眼底图像,光照不均,Graham,病变特征,Block,训练过程,跨通道,迁移学习方法,方法训练,dropout,过拟合,对视
AB值：
0.235954
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
