基于黄膜图像的视网膜知识导向动态多层特征集成糖尿病视网膜病变筛查
计算机视觉与模式识别
2026-04-15 v1
摘要
基于黄膜彩色照相术的自动诊断是大规模糖尿病视网膜病变筛查的必然之路。然而，现有的深度学习模型通常数据驱动，缺乏对视网膜解剖知识的显式集成，限制了其在异构临床数据集上的鲁棒性。此外，黄膜图像中的病理线索可能出现在预定义的解剖区域之外，固定区域特征提取对于可靠诊断已不够。为此，我们提出一种视网膜知识导向的糖尿病视网膜病变筛查框架，将动态多尺度特征学习与领域特定的视网膜先验相结合。该框架采用三分支结构来捕获互补的视网膜表征，包括全局视网膜背景、视盘/视杯的结构特征以及动态局部化的病理区域。设计了动态窗口机制以适应性地识别诊断性信息区域，同时构建知识增强卷积注意力模块，从预训练的基础模型中提取视网膜先验，以引导注意力学习。在大型 AIROGS 数据集上的大量实验表明，所提方法优于多样基线，AUC 达 98.5%，准确率达 94.6%。在 SMDG-19 数据集上的额外评估进一步确认了其强大的跨域泛化能力，表明知识引导的注意力结合自适应病灶定位显著提升了自动化糖尿病视网膜病变筛查系统的鲁棒性。
关键词
引用
@article{arxiv.2604.12351,
title = {Fundus Image-based Glaucoma Screening via Retinal Knowledge-Oriented Dynamic Multi-Level Feature Integration},
author = {Yuzhuo Zhou and Chi Liu and Sheng Shen and Zongyuan Ge and Fengshi Jing and Shiran Zhang and Yu Jiang and Anli Wang and Wenjian Liu and Feilong Yang and Tianqing Zhu and Xiaotong Han},
journal= {arXiv preprint arXiv:2604.12351},
year = {2026}
}
备注
15 pages. In submission to an Elsevier Journal