MergeNeXt：一种结合卷积神经网络（CNN）和变换器（Transformer）的混合模型，用于视网膜光学相干断层扫描（OCT）图像的分类

《Scientific Reports》：MergeNeXt: a hybrid CNN–transformer model for retinal OCT image classification

　　

摘要

视网膜疾病识别是计算机辅助诊断（CAD）中的一个关键组成部分。尽管取得了一些进展，现有的模型在捕捉光学相干断层扫描（OCT）图像中的细微局部细节和复杂全局关系方面仍存在困难。本研究旨在开发一种高精度的深度学习架构，以提高视网膜病变的自动分类准确性。本研究提出了MergeNeXt，这是一种创新的混合模型，它结合了卷积神经网络（CNN）和Transformer的优势。该架构利用了两个关键组件：ConvMerge Block（CMB），它通过并行分支结构独立地对空间特征和通道特征进行建模；以及Adaptive Double-Channel Attention（ADCA），它采用双重池化策略来自适应地调整特征。该模型在视网膜OCT数据集上进行了评估，并与包括ConvNeXt和RepViT在内的最先进架构进行了比较。在机构数据集上，MergeNeXt的准确率为99.58%，精确率为99.58%，召回率为99.56%，F1分数为99.57%。五折交叉验证的平均准确率为99.25±0.34%，而在公共OCT-C8数据集上的准确率为98.29%。在所报告的硬件配置下，MergeNeXt包含2757万个参数，每处理一张图像需要6.6毫秒。此外，在所有评估模型中，它在各项分类指标上均获得了最高的分数。这些发现证明了MergeNeXt在视网膜OCT图像分类方面的有效性、稳定性、跨数据集的通用性以及计算效率。然而，在其临床应用得到确认之前，仍需要进行前瞻性研究以及与任务相匹配的多中心、多设备验证。