Integrating lightweight convolutional neural network with entropy-informed channel attention and adaptive spatial attention for OCT-based retinal disease classification
Notice bibliographique
Résumé
This article proposes an effective and lightweight contextual convolutional neural network architecture called LOCT-Net for classifying retinal diseases. The LOCT-Net adopts nested residual blocks to capture the local patterns from the optical coherence tomography brightness scans and facilitate gradient flow throughout the network. The multi-scale feature enhancement module incorporates dilation-integrated depthwise strip convolutions to extract fine-grained contextual patterns with an expanded receptive field and a gating mechanism. The extracted features are then refined by a novel feature refinement network consisting of the entropy-informed channel attention module, followed by the adaptive spatial attention module. The entropy-informed channel attention module uses the frequency distribution of pixel values to compute attention weights for spatial analysis. The adaptive spatial attention module focuses on relevant clinical regions and further refines the feature maps in a multi-kernel setting. Additionally, post-explainable artificial intelligence methods are used to provide explanations of LOCT-Net’s decision-making and predictions. The LOCT-Net model has been evaluated on six benchmark datasets, demonstrating an efficient balance between performance and computational cost. With just 2.32 M trainable parameters, the proposed model addresses key challenges in retinal disease classification tasks using OCT B-scans and surpasses previous state-of-the-art methods, achieving an F1 score of 92.98%, 92.34%, 100%, 99.58%, 94.50%, and 97.14% in the OCTID, OCTDL, DUKE, SD-OCT Noor, NEH, and UCSD datasets, respectively. • Context-guided CNN for retinal disease classification with 2.32M parameters. • EICA boosts classification by prioritizing high-entropy channels to capture key features. • Multi-kernel Adaptive Spatial Attention and DsConv capture multi-scale features. • XAI methods like Grad-CAM and LIME provide visual interpretation of decision-making. • Obtains an average accuracy of 96.46% across six benchmark OCT B-scan datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».