通过在低质量的 fundus 图像中对糖尿病视网膜病变的分类等级框架的频率空间特征融合
Pengfei Cai1, Biyuan Li1,2, Jinying Ma1
1School of Electronic Engineering, Tianjin University of Technology and Education, Tianjin, 300222, People's Republic of China.
Biomedical physics & engineering express
|July 24, 2025
概括
这项研究引入了一个新的网络,用于从低质量的 fundus 图像中对糖尿病视网膜病变 (DR) 进行分类. 层次频率空间特征融合网络 (HFSF-Net) 通过结合图像频率和空间信息来提高分类准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 低质量的 fundus 图像因噪音和丢失的细节而挑战糖尿病视网膜病变 (DR) 的分类.
- 准确的DR分类对于预防视力丧失至关重要.
研究的目的:
- 使用低质量的基金图像开发一种强大的DR分类方法.
- 通过整合频域和空间域信息来改进特征提取.
主要方法:
- 提出了层次频率空间特征融合网络 (HFSF-Net).
- 引入了空间预先意识转换器 (SPAT) 块用于病变定位.
- 开发了波形增强自我注意 (WESA) 和波形增强变压器 (WET) 块,用于细节恢复.
- 设计的层次频率空间融合 (HFSF) 模块用于多尺度特征集成.
主要成果:
- 在APTOS上,HFSF-Net实现了0.8117的ACC,在DDR数据集上达到0.8021.
- 获得了0.7158 (APTOS) 和0.6731 (DDR) 的卡帕分.
- 展示了全球和本地信息的平衡表现.
结论:
- HFSF-Net有效地将糖尿病视网膜病变从低质量的 fundus 图像进行分类.
- 拟议的架构增强了特征提取和强度.
- 该方法显示了临床应用的巨大潜力.


