《Biomedical Signal Processing and Control》：D-RetinoNet: Diabetic retinopathy stage classification via deep Duo-branch S2 feature based neural network
编辑推荐：
糖尿病视网膜病变（DR）早期检测对及时干预至关重要。现有模型多依赖单路径特征提取，导致DR分期分类精度受限。本文提出D-RetinoNet，采用Nested MEHA V-Net实现视网膜微血管异常（RMA）的精准分割，结合GraphNet和RegNetY构建双分支网络提取结构化（S2）与语义特征，并通过熵基特征选择降低冗余。实验表明，该模型在五级DR分类中达到99.64%的准确率，较DRNet13、DR-UNet等基准模型提升2.46%-3.85%。
Anugirba Krishnadhas | Lal Raja Singh Ravi Singh | R S Rimal Isaac
印度泰米尔纳德邦Ulaganvillai的Bethlahem工程学院计算机科学与工程系
摘要
糖尿病视网膜病变（DR）是导致视力丧失的主要原因，其早期识别对于及时干预至关重要。然而，现有的DR分类模型缺乏对病变的特异性关注，依赖于单一路径的特征提取，从而导致准确率不佳。为了克服这些挑战，我们设计了一种新型的D-RetinoNet，该模型采用基于深度学习的双分支神经网络来提取眼底图像中的结构和语义（S2）特征。嵌套的多编码器混合注意力（MEHA）V-Net用于分割视网膜微血管异常（RMA）病变，如渗出物、出血和微动脉瘤，这些病变是疾病严重程度的临床指标。双分支特征提取网络结合了GraphNet和RegNetY等不同的深度学习网络，以有效提取相关特征。GraphNet处理无噪声的眼底图像，以获取高层次的空间和上下文特征；同时，RegNetY通过将分割后的组件建模为结构化数据，捕获RMA特有的特征，从而提高分阶段分类的准确性。所提出的D-RetinoNet使用基于熵的特征选择模型，在分类前保留最具信息量的特征，同时最小化冗余。选定的S2特征随后通过全连接层进行融合和分类，以确定DR的阶段：正常、轻度、中度、重度或增殖性DR。实验分析表明，所提出的D-RetinoNet的总体准确率达到99.64%，比DRNet13、DR-UNet、随机森林分类器和DenseNet-121分别提高了2.78%、0.50%、3.85%和2.46%。
引言
全球范围内，糖尿病视网膜病变（DR）是导致视力丧失的主要原因，它是糖尿病引起的眼底血管炎症的结果[1]。为了避免视力障碍，早期检测和精确分类至关重要，因为这可以及时获得医疗干预。DR的诊断一直依赖于眼科医生的手动评估，这种方法耗时、成本高昂且容易出错[2]、[3]。1型和2型糖尿病患者都面临风险，尤其是那些血糖调节能力下降且有糖尿病史的人[4]。随着DR的恶化，患者可能会出现飞蚊症、视力模糊、视力波动、暗斑甚至视力丧失等症状[5]、[6]。长期糖尿病、血糖控制不良、高血压、血脂升高、吸烟和怀孕都是增加DR风险的因素[7]。
近年来，一些DR病例未被发现或诊断出来，有效的视网膜监测有助于早期发现和治疗[8]、[9]。人工智能（AI）方法，如机器学习（ML）[10]和深度学习（DL）[11]算法被用于DR的识别。然而，现有的技术（如支持向量机（SVM）[12]、卷积神经网络（CNN）[13]、长短时记忆网络（LSTM）[14]等）虽然能够通过高效捕捉临床数据中的复杂空间和时间模式来实现精确的DR阶段分类，但计算复杂度高、准确率低且假阳性率较高，这限制了它们的实际应用。大多数现有方法缺乏对RMA的特异性分析和上下文感知，而是侧重于广泛的或统计特征提取。为了克服这些限制，本研究提出了一种新型的D-RetinoNet，该网络使用基于深度学习的双分支神经网络来提取眼底图像中的结构和语义（S2）特征。
大多数现有方法依赖于单一路径的CNN结构，这些结构直接从眼底图像中捕获全局特征，但常常忽略了对精确DR分级至关重要的细微视网膜微血管异常（RMA）。相比之下，所提出的D-RetinoNet通过结合显式的病变感知学习和双分支特征提取，而不是依赖单一路径的全局CNN特征，实现了更具区分性和临床相关性的DR阶段分类。所提出方法的关键贡献总结如下：
•该框架结合了嵌套的多编码器混合注意力（MEHA）V-Net，能够在多个嵌套层中精确分割出血、渗出物和微动脉瘤等RMA病变。
•基于深度双分支S2特征的神经网络结合了无噪声图像上的GraphNet和RMA分割图上的RegNetY，以增强基于S2特征的DR分阶段分类。
•基于熵的特征选择减少了提取特征中的冗余和噪声，提高了模型的泛化能力和分类稳定性。
•选定的最优S2特征随后通过全连接层进行融合和分类，以确定五种不同的DR阶段。
其余工作安排如下：第2节探讨了最新的DR识别研究；第3节详细描述了所提出的D-RetinoNet及其在不同DR病例中的应用；第4节比较了所提出方法与现有方法的性能；第5节总结了研究结果。
章节摘录
文献综述
最近在DR识别方面的进展显著提升了自动化视网膜筛查系统的性能。本文献综述介绍了当前的病变检测方法、对抗性防御机制以及用于准确可靠DR阶段预测的强大分类策略。
2025年，Akram等人[17]设计了一种结合DenseNet-121和贝叶斯扩展的迁移学习方法来检测DR。贝叶斯方法用于描述后验预测分布
提出的D-RetinoNet
在本节中，我们提出了一种新型的D-RetinoNet，该网络利用深度学习辅助的双分支神经网络来提取眼底图像中的结构和语义（S2）特征。图1展示了所提出的D-RetinoNet的整体工作流程。
结果与讨论
在本节中，所提出的模型使用MATLAB（2020b）实现，并在配备NVIDIA GPU的Intel Xeon CPU上高效运行，确保了适合临床应用的快速处理速度。该模型训练所需内存约为12 GB，并能在高性能GPU（如NVIDIA RTX 3090）上高效执行。这种设置用于评估所提出的D-RetinoNet在DR分类方面的能力。测试样本的评估结果已进行分析
结论
本研究提出了一种新型的D-RetinoNet，通过整合眼底图像中的结构和语义特征来实现DR阶段的早期分类。嵌套的MEHA V-Net用于分割RMA病变，揭示疾病严重程度。基于深度双分支S2特征的神经网络结合GraphNet和RegNet有效提取S2特征。D-RetinoNet采用基于熵的特征选择技术来最小化冗余，并对特征进行融合和分类
CRediT作者贡献声明
Anugirba Krishnadhas：撰写 – 审稿与编辑，撰写 – 原稿。
Lal Raja Singh Ravi Singh：撰写 – 审稿与编辑，撰写 – 原稿。
R S Rimal Isaac：撰写 – 审稿与编辑，撰写 – 原稿。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
