Alzheimer’s Disease Classification Using Retinal OCT: TransnetOCT and Swin Transformer Models

要約

網膜の光コヒーレンス断層撮影（OCT）画像は、有病率が上昇している神経変性疾患のバイオマーカーです。
網膜OCTを使用したアルツハイマー病の早期発見は、主要な挑戦的な作業です。
この研究では、高度な深い学習技術を利用して、アルツハイマー病（AD）および健康なコントロール（CO）の被験者の網膜OCT画像を分類します。
目標は、効率的な画像分析を通じて診断機能を強化することです。
提案されたモデルでは、RAW OCT画像はImageJで前処理され、精度を評価するためにさまざまな深部学習モデルに与えられています。
最良の分類アーキテクチャはTransNetoctです。これは、他のモデルと比較して、入力OCT画像で平均精度は98.18％、5倍の交差検証でセグメント化されたOCT画像で98.91％であり、SWINトランスモデルは93.54％の精度を達成しました。
評価精度メトリックは、ADおよびCOの被験者を確実に分類するためのトランスネットクトおよびSWINトランスモデルの能力を実証し、臨床設定での診断プロセスの改善の可能性に貢献しました。

要約(オリジナル)

Retinal optical coherence tomography (OCT) images are the biomarkers for neurodegenerative diseases, which are rising in prevalence. Early detection of Alzheimer’s disease using retinal OCT is a primary challenging task. This work utilizes advanced deep learning techniques to classify retinal OCT images of subjects with Alzheimer’s disease (AD) and healthy controls (CO). The goal is to enhance diagnostic capabilities through efficient image analysis. In the proposed model, Raw OCT images have been preprocessed with ImageJ and given to various deep-learning models to evaluate the accuracy. The best classification architecture is TransNetOCT, which has an average accuracy of 98.18% for input OCT images and 98.91% for segmented OCT images for five-fold cross-validation compared to other models, and the Swin Transformer model has achieved an accuracy of 93.54%. The evaluation accuracy metric demonstrated TransNetOCT and Swin transformer models capability to classify AD and CO subjects reliably, contributing to the potential for improved diagnostic processes in clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google