BriefGPT - AI 论文速递
·
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。
📝
内容提要
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%）。
🎯
关键要点
- 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。
- 使用八个预训练的CNN模型进行基于深度学习的分类。
- 应用可解释的AI技术，如Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM和Layer CAM。
- ResNet101模型具有最高准确率（94.17%）。
- EfficientNetB0模型的准确率最低（88.33%）。
- 在图像分割方面，Swin-Unet表现最好，平均像素准确率为86.19%。
- Attention U-Net基于DenseNet201的准确率最低（75.87%）。
➡️
