双注意力机制提升糖尿病视网膜病变分类准确率
太阳与恒星天体物理
2025-07-28 v1
摘要
糖尿病视网膜病变（DR）的自动分类可帮助眼科医生制定个性化治疗方案，因而是临床实践中的关键组成部分。然而，数据集中不平衡的分布成为训练用于DR分类的深度学习模型泛化能力的瓶颈。本文将全局注意力块（GAB）和类别注意力块（CAB）组合融入深度学习模型，从而有效克服DR分类中不平衡数据分布问题。我们的方法基于注意力机制的深度学习模型，采用MobileNetV3-small、Efficientnet-b0和DenseNet-169三种预训练网络作为骨干网络。我们在两个公开的视网膜底图数据集上对所提方法进行评估。实验结果显示，在APTOS数据集上，DenseNet-169获得了83.20%的平均准确率，其后为MobileNetV3-small和EfficientNet-b0，分别获得了82%和80%的准确率。在EYEPACS数据集上，EfficientNet-b0获得了80%的平均准确率，而DenseNet-169和MobileNetV3-small分别获得了75.43%和76.68%的准确率。此外，我们还计算出该方法在实验中的F1分数为82.0%，精确率为82.1%，灵敏度为83.0%，特异度为95.5%，Kappa系数为88.2%。此外，在本工作中，MobileNetV3-small在APTOS数据集上仅有160万参数，在EYEPACS数据集上仅有90万参数，规模小于其他方法。该方法实现的性能与最近报告的DR分类方法相当。
引用
@article{arxiv.2507.19198,
title = {First coordinated observations between Solar Orbiter and the Daniel K. Inouye Solar Telescope},
author = {Krzysztof Barczynski and Miho Janvier and Chris J. Nelson and T. Schad and A. Tritschler and Louise Harra and Daniel Müller and Susanna Parenti and Gherardo Valori and Gianna Cauzzi and Yingjie Zhu},
journal= {arXiv preprint arXiv:2507.19198},
year = {2025}
}
备注
16 pages, 8 figures; accepted for publication in A&A;