DRCNN-Lesion Proxy:一种混合CNN,具有病变灵感的特征模拟,用于糖尿病视网膜病变严重程度分类
Priyadharshini Sekar1, Kanaga S Suba Raja2, Ramaswamy Krishnaraj3,4
1Department of Electronics and Communication Engineering, SRM TRP Engineering College, Tiruchirappalli, Tamil Nadu, India.
Scientific reports
|October 31, 2025
概括
一个新的深度学习模型,DRCNN-Lesion Proxy,可以准确地选糖尿病视网膜病变 (DR),而不需要病变注释. 这种具有成本效益的解决方案为自动化DR查提供了高诊断精度和临床验证的可解释性.
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) 是全球视力损失的主要原因.
- 目前用于DR分级的深度学习 (DL) 模型往往错过了关键的病变特定细节或需要昂贵的注释.
- 需要准确,可扩展和注释光DR诊断解决方案.
研究的目的:
- 开发和验证一种新的混合DL架构,DRCNN-Lesion Proxy,用于多类DR严重性预测.
- 通过整合全球图像特征与模拟损伤灵感线索来解决现有模型的局限性.
- 为自动化DR查提供一个注释光,可泛化和可解释的解决方案.
主要方法:
- 提出了一个混合架构,将ResNet34 CNN骨干与Lesion代理模块结合起来.
- 该模型模拟了受伤启发的线索,而不需要明确的受伤界限框注释.
- 不同质的特征使用晚期聚变分类头进行了融合,并在一个复合数据集上训练,根据六个公共基准进行评估.
主要成果:
- DRCNN-Lesion Proxy在六个基准测试中实现了高性能,精度高达98.37%,F1得分高达97.28%,AUC高达98.14%.
- 统计学意义测试证实了该模型在基线CNN和最近的混合方法中表现优越.
- Grad-CAM可视化提供了临床相关的解释,眼科医生对其在分级中的意义和有用性进行了验证.
结论:
- 拟议的DRCNN-Lesion Proxy为DR查提供了一个注释光解决方案,具有强大的通用性和诊断精度.
- 该框架证明了临床验证的可解释性,推进了自动化DR查.
- 这种方法为现实世界部署自动化DR选系统提供了一个实际的途径.
