摘要
糖尿病视网膜病变是由糖尿病引发的一种严重的视网膜疾病，患者的失明风险是普通人群的25倍，成为全球成年人失明的主要原因之一。因此，及时进行视网膜检查、诊断和治疗是至关重要的。目前，人工医生筛查是诊断糖尿病视网膜病变的主要方式，但由于其效率较低且在医疗资源匮乏的地区容易出现误诊，因此利用计算机技术进行辅助糖尿病视网膜病变诊断具有重要应用价值与研究意义。 随着深度学习技术的进展，卷积神经网络在医学图像分类中展现出高效的特征提取和学习能力。本研究基于Inception网络结构，设计一种新型卷积模块IncepDefcovBlock，通过自适应特征提取策略和多分支结构优化，提取多尺度及语义的图像特征，该模块特别增强了模型在处理细粒度医学图像时的敏感性和精确度。然后，本文引入跨轴注意力机制提出Mca_DR模块，通过交叉轴向注意力提升轴向特征间的融合效率，从而优化细粒度图像分类性能。。 在本研究中，本文使用公开数据集Aptos2019和EYEPACS开展实验，首先对数据进行精细预处理，包括使用灰度世界算法标准化亮度、二值化方法去除图像边框，并调整分辨率至224x224像素。此外，通过高斯滤波降低噪声并强化关键特征，同时实施图像平移、翻转和旋转等数据增强技术，以提升样本多样性和保持数据平衡。最后，通过三组实验验证Mca_DR模型的有效性和合理性，并使用多种评估指标进行综合分析，以全面评估模型性能。实验结果表明，Mca_DR模型在两个数据集中均展现了高准确率和特异性，不仅证实了Mca_DR模型改进的有效性，也表明该模型在糖尿病视网膜病变细粒度分类任务相较于其他常用方法一定程度的性能提升。
NETL