基于双分辨率注意力深度学习的稳健糖尿病视网膜病变分级
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
糖尿病视网膜病变（DR）是全球范围内导致视力受损的主要原因之一，自动化分级系统在大规模筛查计划中发挥着关键作用。然而，深度学习模型在部署到不同图像条件下的数据集时常常表现下降。本研究提出了一种稳健的双分辨率深度学习框架，用于DR分级，通过集成注意力机制的特征融合与序数回归来提高跨数据集的泛化能力。该方法使用两个在不同空间分辨率下运行的EfficientNet主干网络，以捕获互补的视网膜特征。一个可学习的注意力机制自适应地融合多分辨率的表示，而基于累积链接模型（CORAL）的序数回归表述则显式地考虑了DR严重程度水平的有序性。为缓解数据集之间的域差异，应用一种结合了圆形裁剪、对比度增强和直方图匹配的预处理策略。该模型在APTOS 2019数据集上进行训练，并在内部验证分割和外部Messidor-2测试集上进行评估。实验结果显示，在APTOS验证集上实现了0.88的二次加权Kappa（QWK），在未见的Messidor-2数据集上实现了0.68，表明在跨数据集DR分级应用方面具有 improved 的鲁棒性。
引用
@article{arxiv.2604.17341,
title = {Robust Diabetic Retinopathy Grading Using Dual-Resolution Attention-Based Deep Learning with Ordinal Regression},
author = {Afshan Hashmi},
journal= {arXiv preprint arXiv:2604.17341},
year = {2026}
}