糖尿病视网膜病变分类网络具有多频上下文注意模块
Weizhe Liang1, Chee-Onn Chow1, Raymond Wong Jee Keen1
1Department of Electrical Engineering, Universiti Malaya, Lembah Pantai, Kuala Lumpur 50603, Malaysia.
Medical engineering & physics
|February 24, 2026
概括
一个新的AI模型,MFCA-DRNet,通过有效地从有限的数据中学习和提高视网膜图像中的病变检测,以获得更好的视觉健康结果,从而改善糖尿病视网膜病变 (DR) 诊断.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
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.
- 早期诊断DR对于及时治疗和预防失明至关重要.
- 目前的诊断方法面临的挑战是有限的标记数据和微妙的病变识别.
研究的目的:
- 开发一个先进的深度学习网络,MFCA-DRNet,用于准确的糖尿病视网膜病变分类.
- 克服标记数据不足的局限性,并改善视网膜图像中分散病变的识别.
主要方法:
- 在EyePACS数据集的预训练中使用了自我监督的对比学习策略.
- 采用了结合直方体等分和非局部介质消极化的自适应预处理技术.
- 一个多频上下文注意 (MFCA) 模块和一个以能量功能为导向的注意机制被整合到网络中.
主要成果:
- 在DDR,APTOS 2019和Messidor-2数据集中,MFCA-DRNet在DR分类方面表现强.
- 该模型在APTOS 2019数据集上实现了高精度 (87.12%),精度 (81.2%),回忆 (85.3%) 和F1得分 (83.16%).
- 该MFCA模块有效地捕获了远程依赖性,并增强了病变识别.
结论:
- MFCA-DRNet为糖尿病视网膜病变的诊断提供了一个强大的解决方案,特别是在数据稀缺的情况下.
- 提出的方法显著提高了病变检测和分类准确度.
- 该网络显示了在各种成像条件下提高临床适用性的潜力.
