arXiv cs.AI· Shkelqim Sherifi·· 10 小时前AI 评分22
EfficientNet 家族在固定分辨率迁移学习下的 SD-OCT 视网膜疾病分类效果评估
Within-Family EfficientNet Scaling under Fixed-Resolution Transfer Learning for Spectral-Domain Optical Coherence Tomography Retinal Disease Classification
AI 导读
研究在 224x224 固定分辨率下评估 8 个 ImageNet 预训练 EfficientNet-B0–B7 变体（4.05–64.10M 主干参数）对 Kermany 数据集四类 SD-OCT 图像的分类表现，测试准确率从 B0 的 95.93% 非单调变化至 B1 的 96.95%，B7 为 96.73%。
正文 · AI 翻译
摘要：背景/目标：CNN 在基于谱域光学相干断层扫描（SD-OCT）的视网膜疾病分类中表现良好，但 EfficientNet 的自然图像缩放层级能否在固定分辨率下迁移到医学图像迁移学习仍不清楚。本研究评估 EfficientNet-B0-B7 用于四类 SD-OCT 分类及精度-效率权衡。方法：在 Kermany 数据集上以 224x224 评估八种 ImageNet 预训练变体（4.05-64.10M 实例化骨干参数）。灰度图像复制为 RGB，并使用模型内置的预处理和增强进行处理。训练包括冻结骨干的头部训练，随后进行部分微调。指标涵盖分类、判别、效率和视觉分析。结果：测试准确率从 95.93%（B0）到 96.95%（B1）呈非单调变化；B7 达到 96.73%。B1 具有最高准确率和 Drusen F1（0.8780），而 B7 的 Drusen F1 为 0.8720，且 Drusen 召回率最高（0.9177）。Drusen 在所有变体中 F1 最低，并在类别特定 F1 的平方偏差总和中占 82.2%；类别排序保持为 Normal > CNV > DME > Drusen。OCT 准确率排序与所报告的 ImageNet 层级不同，后者中 B7 排名第一。准确率与参数比从每百万总参数 19.82 个百分点降至 1.48 个百分点。最终训练-测试差距与测试准确率呈弱且不显著的关联（r = 0.26，p = 0.53）。结论：更大的 EfficientNet 变体并未持续改善 SD-OCT 分类。B1 取得了最高准确率和 Drusen F1，而 B7 在更大模型规模和 CPU 延迟下表现出二次准确率恢复，表明缩放效应依赖于任务和协议。由于跨分区重复尚未独立审计，结果以所提供的划分为条件。
| 评论： | 46 页，20 幅图，18 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.06452 [cs.CV] |
| （或 arXiv:2611.06452v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06452 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shkelqim Sherifi [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 12:53:44 UTC（14,102 KB）
来源：arXiv cs.AI · arxiv.org