典型文献
基于集成卷积神经网络和Vit的眼底图像分类研究
文献摘要：
在眼底图像的分类任务中，卷积神经网络(CNN)的应用较为普遍，但随着Transformer应用的推进，Vit(Vision Transformer)模型在医学图像的领域上展现了更高的性能。然而Vit模型通常需要在大型数据集上预训练，受医学图像获取成本较高的限制。因此，本文提出一种基于EfficientNet-Vit集成模型的眼底图像分类方法，此方法将卷积神经网络模型EfficientNetV2-S和Vit模型相结合，分别使用两种完全不同的方法提取眼底图像的特征，通过自适应加权融合算法计算得到最优加权因子0.6和0.4，利用加权软投票法进行模型集成，从而获得更好的分类结果。实验证明，相比于集成前，集成后的模型分类准确率分别提高了0.5%和1.6%。
文献关键词：
生物光学;眼科学;眼底疾病;图像分类;集成模型;加权融合;bio-optics;ophthalmology;fundus disease;image classification;ensemble model;weighted fusion
中图分类号：
作者姓名：
袁媛;陈明惠;柯舒婷;王腾;何龙喜;吕林杰;孙好;刘健南
作者机构：
上海理工大学健康科学与工程学院，上海介入医疗器械工程技术研究中心，教育部医学光学工程中心，上海 200093
文献出处：
引用格式：
[1]袁媛;陈明惠;柯舒婷;王腾;何龙喜;吕林杰;孙好;刘健南-.基于集成卷积神经网络和Vit的眼底图像分类研究)[J].中国激光,2022(20):2007205
A类：
B类：
Vit,眼底图像,图像分类,分类研究,分类任务,Transformer,Vision,医学图像,预训练,集成模型,分类方法,卷积神经网络模型,EfficientNetV2,自适应加权融合,加权融合算法,算法计算,加权因子,投票法,模型集成,模型分类,分类准确率,生物光学,眼科学,眼底疾病,bio,optics,ophthalmology,fundus,disease,image,classification,ensemble,model,weighted,fusion
AB值：
0.423907
相似文献
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。
