像素注意力W形网络用于关节损伤细分和糖尿病视网膜病变严重程度分期
Archana Singh1, Sushma Jain1, Vinay Arora1
1Department of Computer Science & Engineering, Thapar Institute of Engineering & Technology, Patiala 147004, India.
Diagnostics (Basel, Switzerland)
|October 29, 2025
概括
一个新的深度学习模型,PAW-Net,通过细分病变来准确检测糖尿病视网膜病变 (DR) 和其严重程度. 这种人工智能工具有助于早期诊断和管理DR,DR是可预防失明的主要原因.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是全球可预防失明的主要原因.
- 由于微妙的病变和主观诊断,早期发现DR是具有挑战性的.
- 目前DR查的工作流程耗时,需要专家审查.
研究的目的:
- 开发一个新的深度学习框架,用于自动化DR检测和严重程度分级.
- 提高DR查的准确性和效率.
- 创建一个临床可解释的工具,用于快速分类和后续.
主要方法:
- 提出了一个像素注意力W形网络 (PAW-Net),集成一个损伤前交叉注意力 (LPCA) 模块.
- 采用W形编码器-解码器架构用于关节损伤细分和严重程度分级.
- 在DDR,Messidor + EyePACS数据集上受过培训和验证;在APTOS-2019上进行了评估,以评估分发之外的性能.
主要成果:
- PAW-Net实现了高性能:98.65%的准确性,98.83%的回忆,99.12%的特异性.
- 与当代建筑相比,展示了卓越的准确性和F1得分.
- 在病变细分方面获得了98.61%的Dice系数.
结论:
- PAW-Net为DR查提供准确,可解释的病变检测.
- 该框架显示了对域名转移的弹性,适合于现实世界的部署.
- 有效的计算足迹使远程医疗和DR管理的移动应用程序成为可能.
