用ViT+SVM自动识别眼底OCT图像中的三种常见视网膜病

Retinal Malady Classification using AI: A novel ViT-SVM combination architecture

• 将ViT提取特征与SVM分类结合，实现眼科影像智能诊断
• 在多类OCT数据集上达到98.7%准确率，优于传统方法
• 适合医疗AI研究者和眼科医生快速筛查视网膜疾病

黄斑裂孔、中心性浆液性脉络膜视网膜病变和糖尿病视网膜病变是导致部分或完全失明的常见眼疾，因此早期发现至关重要。本研究提出一种基于视觉变压器（Vision Transformer）与支持向量机（Support Vector Machine）的混合架构（ViT-SVM），用于对光学相干断层扫描（OCT）图像进行分类，旨在实现这些视网膜病变的自动化早期检测。通过在公开OCT数据集上评估该模型性能，结果显示其分类准确率达98.7%，显著优于传统深度学习模型和经典机器学习方法。该方法有效融合了ViT强大的特征提取能力与SVM在小样本下的优异泛化性能，为临床辅助诊断提供了高可靠性的技术路径。

原文摘要 · Abstract (English)

Macular Holes, Central serous retinopathy and Diabetic Retinopathy are one of the most widespread maladies of the eyes responsible for either partial or complete vision loss, thus making it clear that early detection of the mentioned defects is detrimental for the well-being of the patient. This study intends to introduce the application of Vision Transformer and Support Vector Machine based hybrid architecture (ViT-SVM) and analyse its performance to classify the optical coherence topography (OCT) Scans with the intention to automate the early detection of these retinal defects.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。