对糖尿病视网膜病变的弱监督物体检测网络
Xulin Zong1, Bingxue Liang2, Yuhua Qin2
1Faculty of Information Science and Engineering, Ocean University of China, Qingdao, China.
Medical physics
|December 31, 2025
概括
糖尿病视网膜病变检测 (DRD-Net) 通过使用弱监督学习和增强特征提取来改善早期诊断. 这种方法准确地识别病变,可能提高糖尿病患者的临床查效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 糖尿病患者的患病率增加需要快速准确的早期糖尿病视网膜病变诊断.
- 鉴定糖尿病视网膜病变是具有挑战性的,因为需要在多个图像区域进行专家判断,因此手动标签成本高且耗时.
研究的目的:
- 开发糖尿病视网病检测网络 (DRD-Net),这是一个改进的弱监督物体检测模型.
- 据了解,DRD-Net使用对抗互补删除学习 (ACoL) 框架来增强仅使用图像级标签的小病变本地化,从而降低诊断成本.
主要方法:
- DRD-Net 集成了一个增强的 EfficientNet-B0 具有并行下采样和一个高效的通道注意力 (ECA) 模块用于特征提取.
- 结合ACoL的多尺度平行注意模块 (MPA) 改善了跨多尺度特征的小病变的分类和定位.
- 从三个数据集中利用了35828个重新注释的病变补丁 (224x224像素),分为培训 (70%),验证 (20%) 和测试 (10%) 集.
主要成果:
- DRD-Net超越了最先进的方法,达到82.41%的Top-1分类精度,76.94%的Top-1定位精度和86.05%的基本真相已知定位精度.
- 与最高基线相比,表现出显著的性能增长:在Top-1 Cls中1.64% (p=0.0318),在Top-1 Loc中3.16% (p=0.0090) 和在GT-Known Loc中0.96% (p=0.0481).
结论:
- DRD-Net 证明了准确和全面的糖尿病视网膜病变病变识别的可行性.
- 该模型显示了提高临床查效率和推进糖尿病视网膜病变检测技术的潜力.
