.png){kind=icon}
返回
Explainable Transformer-Based Framework for Glaucoma Detection from Fundus Images Using Multi-Backbone Segmentation and vCDR-Based Classification
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics15182301.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
青光眼是一种由眼内压（IOP）升高引起的眼病，影响视神经头（ONH），导致视力问题及不可逆性失明。背景/目的：青光眼是全球第二大致盲原因，受影响人数逐年增加，预计到2040年将达到1.118亿。这一上升趋势令人担忧，原因是相对于人口，眼科专家数量不足。本研究提出了一种基于眼底图像的自动化青光眼诊断可解释端到端流程，并评估了视觉Transformer（ViTs）相对于传统CNN模型的性能。方法：所提出的系统使用了三个数据集：REFUGE、ORIGA和G1020。首先使用YOLOv11进行视盘的目标检测。然后，使用U-Net结合ResNet50、VGG16和MobileNetV2骨干网络，以及带有Swin-Base骨干网络的MaskFormer，对视盘（OD）和视杯（OC）进行分割。青光眼的分类基于垂直杯盘比（vCDR）。结果：在所有分割指标（包括OD的IoU、OC的IoU、OD的DSC和OC的DSC）上，MaskFormer均优于所有模型，得分分别为88.29%、91.09%、93.83%和93.71%。在分类方面，其准确率和F1分数达到84.03%和84.56%。结论：通过依赖vCDR的可解释特征，所提出的框架增强了透明度，并与可解释AI原则高度一致，从而为青光眼筛查提供了一个值得信赖的解决方案。我们的研究结果表明，视觉Transformer为实现高性能分割与可解释、生物标志物驱动的诊断提供了一种有前景的方法。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
Vlăsceanu, G.V.; Tarbă, N.; Voncilă, M.L.; Boiangiu, C.A. Selecting the Right Metric: A Detailed Study on Image Segmentation Evaluation. BRAIN Broad Res. Artif. Intell. Neurosci. 2024, 15, 295. [Google Scholar] [CrossRef]Vlăsceanu, G.V.; Tarbă, N.; Voncilă, M.L.; Boiangiu, C.A. 选择合适的指标：关于图像分割评估的详细研究. BRAIN Broad Res. Artif. Intell. Neurosci. 2024, 15, 295. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A deep learning model for the detection of both advanced and early glaucoma using fundus photographyPLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Joint Optic Disc and Cup Segmentation Based on Multi-Label Deep Network and Polar Transformation基于多标记深度网络和极坐标变换的视盘和视杯联合分割OAAI
OAAI分享收藏Machine learning applied to retinal image processing for glaucoma detection: review and perspectiveOAAI
OAAI分享收藏
查看更多内容