基于动态全局-局部特征集成提升视网膜底图像在眼底镜糖尿病视网膜病变筛查中的表现
计算机视觉与模式识别
2025-04-02 v1
摘要
随着医学人工智能(AI)的发展，视网膜底图像分类器正在被应用于助力眼科诊断。虽然现有分类模型在特定视网膜底数据集上取得了高准确率，但面临现实挑战：不同成像设备间图像质量差异、不同种族群体间训练与测试图像的差异、以及糖尿病视网膜病变病例边界不确定等问题。本研究旨在通过突出全面视网膜底图像信息的重要性来应对图像变异问题，包括视网膜底(OD)和视盘杯(OC)区域以及其他关键图像块。具体而言，我们提出了自适应注意力窗口，能够自主确定最佳边界以实现增强特征提取。此外，我们引入多头注意力机制通过特征线性读取有效融合全局和局部特征，提高模型的判别能力。实验结果表明，我们的方法在糖尿病视网膜病变分类中实现了卓越的准确率和鲁棒性。
关键词
引用
@article{arxiv.2504.00431,
title = {Enhancing Fundus Image-based Glaucoma Screening via Dynamic Global-Local Feature Integration},
author = {Yuzhuo Zhou and Chi Liu and Sheng Shen and Siyu Le and Liwen Yu and Sihan Ouyang and Zongyuan Ge},
journal= {arXiv preprint arXiv:2504.00431},
year = {2025}
}