基于 SCSE 注意力机制和动态多投影头聚类的 RURANET++：糖尿病视网膜水肿的无监督学习方法
图像与视频处理
2025-03-10 v2 人工智能
计算机视觉与模式识别
摘要
糖尿病视网膜水肿 (DME) 是糖尿病患者中常见的并发症，是导致视力障碍和失明的主要原因。尽管深度学习在医学图像分析方面取得了显著进展，但传统的 DME 诊断仍依赖大量标注数据和主观的眼科医生评估，限制了实际应用。为此，我们提出了 RURANET++，一种基于无监督学习的自动 DME 诊断系统。该框架集成了优化后的 U-Net 架构，并嵌入空间和通道 Squeeze & Excitation (SCSE) 注意力机制以增强病灶特征提取。在特征处理过程中，采用预训练的 GoogLeNet 模型从视网膜图像中提取深层特征，随后采用主成分分析 (PCA) 进行降维至 50 维以提高计算效率。值得注意的是，我们引入一种新型聚类算法，采用多投影头显式控制聚类多样性，同时动态调整相似度阈值，从而优化类内一致性和类间判别性。实验结果在多个指标上均显示出卓越的性能，实现了最高准确率 (0.8411)、精确率 (0.8593)、召回率 (0.8411) 和 F1 分数 (0.8390)，并表现出卓越的聚类质量。这一工作为 DME 诊断提供了一种高效的无监督解决方案，具有重要的临床意义。
引用
@article{arxiv.2502.20224,
title = {RURANET++: An Unsupervised Learning Method for Diabetic Macular Edema Based on SCSE Attention Mechanisms and Dynamic Multi-Projection Head Clustering},
author = {Wei Yang and Yiran Zhu and Jiayu Shen and Yuhan Tang and Chengchang Pan and Hui He and Yan Su and Honggang Qi},
journal= {arXiv preprint arXiv:2502.20224},
year = {2025}
}
备注
10 pages, 2 figures, 5 tables, submitted to The 28th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2025)