一种基于改进ResNet18的轻量化眼底疾病分类模型

李 民玺, 赵林 度*
东南大学　生物科学与医学工程学院

摘要


为解决人工诊断眼底疾病时准确率不稳定、周期长以及深度神经网络开发成本高昂的问题，设计一种基于
改进ResNet18的轻量化模型。研究所使用的数据集来源于Kaggle平台，包含四个类别，共4217张图像。通过结合通
道与空间注意力机制（CBAM）与ResNet18，构建了轻量化模型ResNet18-CBAM，并采用预训练权重进行初始化
参数。训练使用的优化器为Adam，同时设置早停机制以缓解过拟合。实验结果表明，ResNet18-CBAM的参数量仅
为12M，预测准确率达到95%，说明模型对眼底疾病具有良好的识别能力。对比同类研究，ResNet18-CBAM具备预
测效果优异以及轻量化的突出优势，可以为医生提供高效的辅助诊断支持。

关键词


ResNet；注意力机制；眼底疾病；图像分类

全文:

PDF


参考


[1]陈彬彬，楼丽霞，叶娟.中国眼病疾病负担现状

及三十年变化趋势[J].浙江大学学报（医学版），2021，

50（04）：420-428.

[2]Sengar N, Joshi R C, Dutta M K, et al. EyeDeepNet: a multi-class diagnosis of retinal diseases using deep

neural network[J]. Neural Computing and Applications, 2023,

35(14): 10551-10571.

[3]Topaloglu I. Deep learning based convolutional

neural network structured new image classification approach

for eye disease identification[J]. Scientia Iranica, 2023, 30(5):

1731-1742.

[4]宫阿娟.基于ResNet深度神经网络构建眼部疾病

分类诊断模型的研究[J].医药论坛杂志，2024，45（04）：

379-383.DOI：10.20159/j.cnki.jmf.2024.04.009.

[5]El-Ateif S, Idri A. Eye diseases diagnosis using deep

learning and multimodal medical eye imaging[J]. Multimedia

Tools and Applications, 2024, 83(10): 30773-30818.

[6]He K, Zhang X, Ren S, et al. Deep residual learning for

image recognition[C]//Proceedings of the IEEE conference on

computer vision and pattern recognition. 2016: 770-778.

[7]Woo S, Park J, Lee J Y, et al. Cbam: Convolutional

block attention module[C]//Proceedings of the European

conference on computer vision (ECCV). 2018: 3-19.

[8]Kingma D P. Adam: A method for stochastic

optimization[J]. arXiv preprint arXiv:1412.6980, 2014.


Refbacks

  • 当前没有refback。