利用IterNet和SRO-ConVT进行有效的分割和特征提取，以用于视网膜疾病检测

《Optik》：Effective Segmentation and Feature Extraction Using IterNet and SRO-ConVT for Retinal Diseases Detection

　　

Mukesh Madanan | Saraswathy Shamini Gunasekaran

马来西亚国民能源大学（UNITEN）研究生院

摘要

视网膜疾病是一种影响眼睛后部感光层（视网膜）的疾病，会损害其血管，导致视力下降，在严重情况下甚至会导致失明。为了将这些疾病识别为异常状况，虽然存在多种方法，但它们都存在一些缺点，例如在视网膜图像解读中出现误判、检测率低等问题。因此，提出了一种混合深度学习框架SRO-ConVT，以实现视网膜疾病的准确检测。该框架利用通道分离、形态学处理、双重子图像直方图均衡化（用于增强图像清晰度）以及直方图匹配等技术对视网膜图像进行预处理。IterNet被设计用于识别分割后的血管图像中被遮挡的细节。为了检测视网膜疾病，开发了一个名为Ensemble SRO-ConVT的融合模型。CNN模型（如NASNet、ResNeXt50和Vision Transformer）被用来处理纹理信息和基于形状的特征。对于分类，这些特征通过结合搜索与救援优化（DNN-SRO）的混合深度神经网络进行处理。SRO优化被用来调整DNN分类器的权重。该模型在公开可用的视网膜图像数据集（包括HRF和FIVES）上进行了训练和评估。根据测试结果，所提出的DNN-SRO模型的准确率为95.8%，召回率为91.6%，F1分数为91.6%。通过使用这种混合模型，可以有效识别视网膜疾病，从而提高患者的生存率。

部分摘录

引言

视网膜疾病是一种发生在眼睛感光器官中的疾病，对视觉相关活动可能构成威胁。这类疾病初期通常没有症状，但会逐渐发展；近年来，其发病率显著增加。由于糖尿病患者的数量预计会急剧上升，因此早期发现和治疗对于防止视力丧失至关重要[1]。诊断糖尿病视网膜病变和黄斑病变等视网膜疾病尤为重要。

文献综述

已有许多研究使用不同的算法对视网膜疾病进行分类。这里回顾了一些当前常用的策略。

Deisy等人[19]证明，将DenseNet与Grad-CAM++结合使用，能够实现高诊断准确性和透明的预测结果，适用于糖尿病视网膜病变、青光眼和白内障等疾病的检测。该模型在多种数据集上的表现优于其他方法，准确率达到94.88%。

Guo等人[20]也展示了类似的研究成果……

提出的方法

视网膜疾病涵盖多种类型和严重程度。由于不同疾病的进展阶段不同，一次性收集所有类型的疾病数据进行模型训练具有挑战性，尤其是对于中心性浆液性脉络膜视网膜病变和视网膜静脉阻塞等常见疾病而言。训练一个能够覆盖所有可能疾病的模型是不现实的，因此需要采用动态训练的方法。

结果与讨论

我们设计并实现了一个基于DNN-SRO的视网膜疾病预测模型，该模型使用Python 3.8语言在Intel i5处理器上运行，并配备了NVIDIA GTX 1650显卡和16GB内存来评估模型性能。DNN分类器及搜索与救援优化（Search and Rescue Optimization, DNN-SRO）的参数详见下表2和表3。

表2列出了DNN分类器的参数。在所提出的模型中，考虑的参数包括核函数（kernel）、最大训练轮数（Max_epoch）、动量（momentum）、优化器（optimizer）和学习率（learning rate）等。

结论

我们开发了一种混合型的DNN-SRO模型用于识别视网膜疾病。视网膜疾病的临床症状各异，其识别和分类依赖于高效的视网膜图像处理技术。视网膜疾病种类繁多，且严重程度不一。由于不同疾病的进展阶段不同，同时收集所有类型的疾病数据进行模型训练非常具有挑战性，尤其是对于常见疾病而言。

资金支持

作者声明在撰写本文过程中未收到任何资金、资助或其他形式的支持。

CRediT作者贡献声明

Mukesh Madanan：项目管理、方法论设计、研究实施、资金筹集、数据分析、概念构思。Saraswathy Shamini Gunasekaran：文本撰写与编辑、初稿撰写、数据可视化、验证工作、研究监督以及软件资源协调。

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

作者声明与本研究无任何利益冲突。我们声明与所提交的工作无关的任何商业或关联利益。

通讯作者负责论文的主要内容，包括研究框架的制定、数据分析及编辑工作；合作者则负责验证分析结果和协助手稿编辑。

本文为作者的原创作品，未经任何形式的抄袭或修改。