结合RFECV与HNDF的青光眼自动检测

摘要

提出一种结合递归特征消除交叉验证（RFECV）与混合神经决策森林（HNDF）的青光眼自动检测模型VITRCH模型。首先，为了更好地学习到眼底图像的全局视觉信息，使用Vision Transformer(ViT)模型对视网膜眼底图像进行分类。接着，将原ViT模型特征分类部分的多层感知机（MLP）分类器替换为一种结合神经网络和决策森林的HNDF分类器，该分类器通过结合神经网络在特征表示方面的优势与决策森林的可解释性和鲁棒性，能更高效地完成青光眼图像的分类任务。然后，在原ViT模型的特征提取部分之后融入RFECV特征选择模块，通过剔除掉对分类任务贡献率低的冗余特征，降低预测模型训练难度，减少训练时间。各改进模型在ACRIMA数据集上进行实验评估，实验结果表明，相较于原ViT模型，VITRCH模型有效发挥各改进模块的优势，为青光眼的自动化检测提供一种更稳健的解决方案。

关键词

青光眼 / Vision Transformer / 混合神经决策森林 / 递归特征消除交叉验证

基金资助

京津冀基础研究合作专项（J210008,21JCZXJC00170,H2021202008）; 天津市医学重点学科（专科）建设项目（TJYXZDXK-032A）