基于可解释卷积神经网络的视网膜底部分类及基于先进视网膜血管图像分割模型
原文中文，约500字，阅读约需1分钟。发表于：。我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类，同时应用了可解释的 AI 技术，如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估，我们发现 ResNet101 具有最高的准确率（94.17%），而...
我们使用深度学习和可解释的AI技术，通过检查眼底图像中的视网膜血管进行疾病早期诊断。评估多个模型后发现，ResNet101具有最高准确率（94.17%），EfficientNetB0最低（88.33%）。在图像分割方面，Swin-Unet表现最好（86.19%），Attention U-Net最低（75.87%）。
