基于眼底彩照的糖尿病视网膜病变检测与分析

这是一篇关于多目标分割,糖尿病视网膜病变,眼底彩照,卷积神经网络,医学图像分割,糖尿病视网膜分期的论文, 主要内容为糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病的严重并发症之一,表现为一种或多种视网膜病变,如出血(Hemorrhages,HE)、硬性渗出(Hard Exudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(Soft Exudates,SE)。研究证明,DR 是引起糖尿病患者视力下降乃至失明的重要影响因素。因此,DR的早期筛查、诊断尤其是病灶的分割与DR分期,对于眼科医生制定DR治疗方案至关重要。眼底彩照(Fundus Image)是一种无创眼底图像采集技术,广泛用于眼科疾病的筛查,本文基于眼底彩照对糖尿病视网膜病变进行相关研究。首先,提出了一种基于双重自适应的多目标加权分割网络(Dual Adaptive Multi-Target Weighting Joint Segmentation Network,DAMWNet),实现了对HE、EX、MA和SE的DR多病灶联合分割。DAMWNet基于U型编解码结构,主要包括学习指导模块和反向数据恢复模块。基于注意力机制的学习指导模块嵌入于编码器顶端,通过提取高阶类信息动态地指导网络计算资源分配,以缓解类别不平衡的问题。为了进一步提高分割网络的特征提取能力,在解码器顶端设计了一个反向数据恢复模块,用于自适应地学习有利于拟合原始输入数据的特征。此外,设计了一个优化流程,用于端到端地训练整个分割网络。本方法在国际公开数据集上进行了验证与评估,通过比较Dice系数、敏感性、雅卡尔系数和皮尔逊相关系数来评估联合分割网络的性能。实验表明,本方法性能较好,具有潜在的临床应用价值。其次,提出了 一种基于双重自适应的残差并行聚合网络(Residual Aggregation Staging Network,RD-Net),实现了对DR的分期。RD-Net包含并行的多目标分支、残差分支以及一个自注意力聚合模块。多目标分支与残差分支位于网络的底端,分别用于提取类别相关的特征信息与缓解退化问题。自注意力聚合模块位于网络的顶端,用于融合不同类型的特征图,提高网络的特征辨识能力。本方法在临床数据集上进行了验证与评估,通过比较准确率、曲线下面积和Kappa系数来评估分期网络的性能。实验表明,本方法的分期性能较好,具有良好的临床应用前景。

糖尿病视网膜病变智能诊断技术研究

这是一篇关于糖尿病视网膜病变,医学图像分类,特征融合,轻量化模型,注意力机制的论文, 主要内容为糖尿病性视网膜病变(DR)是引起人类视觉损伤和失明的主要因素。临床研究显示,只有对糖尿病人进行早期DR筛查和及时诊断,才能预防其视力衰退。目前病变主要通过人工诊断的方式进行治疗,然而随着筛查数量的增加,医生在诊断时非常容易出现漏诊、误诊、反馈不及时等问题,从而错过病情的最佳治疗时机。为此,亟需开发有效的智能技术来进行病变诊断。近年来,机器学习和深度学习等智能技术被广泛应用于糖尿病视网膜病变诊断领域,对于辅助医生进行大规模筛查,提高分类精度和诊断效率发挥了重要作用。本文结合经典图像处理技术,基于机器学习和深度学习方法研究DR等级分类问题,具体研究内容如下:(1)为了解决图像光照不均、数据不平衡等问题的干扰,采用裁剪、灰度化、颜色与亮度归一化、图像增强、伽马校正以及图像扩充等预处理操作。其中图像扩充采用翻转、平移、旋转等。(2)基于已有模型仅针对深度特征进行融合的问题,提出一种多类别特征融合分类模型。根据眼底病灶的特点,在提取Alex Net、VGG-16和Res Net-50三种深度特征的基础上,新添加了Gabor、LBP、HOG以及Haralick等四种影像组学特征,并采用双层特征融合网络对四种影像组学特征和三种深度特征进行筛选,最后通过SVM、RF、KNN、ELM对病变进行分级,其准确率分别达到88.64%、86.63%、86.27%、85.61%。有效避免了深度网络底层特征提取不足以及因影像组学特征维度较少造成的特征丢失问题。(3)为提高模型对小病灶的关注程度,提出一种基于深度可分离卷积和注意力机制的分类模型。其中,注意力机制基于1×1卷积和激活函数对关键特征进行识别,同时采用轻量化模块对模型的标准卷积进行替换,在保证精度的同时,实现病变的快速分类。经过在数据集上验证,其分类准确率达到91.5%,召回率达到90.3%,参数量为12.24M,FLOPs为9.74G,运行时间为158.7ms,Kappa值为0.893。在解决多类别特征网络提取背景、结构等无关信息过多,增强对小病灶特征关注程度的同时,有效降低了模型参数,减少运行时间。

基于深度学习的糖尿病视网膜病变智能诊断系统

这是一篇关于糖尿病视网膜病变,深度学习,卷积神经网络,JavaEE,分布式系统的论文, 主要内容为随着人们生活水平的逐渐提高,寿命日益延长,罹患糖尿病的患者也日益增加。糖尿病视网膜病变(Diabetic Retinopathy,DR)便是由糖尿病引起的并发症之一。糖尿病视网膜病变会损伤视网膜血管壁,造成视网膜渗出、出血斑块、毛细血管瘤等损伤,最终造成人们视力下降甚至失明。糖尿病视网膜病变与青光眼、白内障、高血压被归为四大致盲因素。根据国家卫生计生委办公厅统计,中国是全球2型糖尿病患者最多的国家,视网膜病发率、致盲率也不断升高,2017年我国预计有2700万糖尿病视网膜病变患者,所以对该症的治疗刻不容缓。另一方面,研究表明,在糖尿病视网膜病变早期对病变进行干预治疗可以有效降低患者致盲风险[1],所以及早对糖尿病视网膜病变的诊断对于预防治疗视网膜病变至关重要。目前对于糖尿病视网膜病变的诊断主要通过观察眼底图像诊断。眼底图像通过数码眼底照相机拍摄眼底获取,精确记录眼底信息,方便医生观察视网膜渗出、出血、血管瘤块等情况,对病情进行诊断分级。但是对于眼底图像的诊断需要诊断者有丰富的先验知识对病情进行准确的判断。中国人多地广,幅员辽阔,眼科医生水平层次不齐,偏远地区医疗资源不均,经验不足的医生可能会出现诊断失误,使患者错过最佳治疗时间,从而造成患者严重的损失。同时根据医生建议,糖尿病患者需要定期检查视网膜病变,由于我国糖尿病患者众多,产生了大量的眼底图像,需要经验丰富的医生进行诊断,费时费力。针对以上问题,本文主要在工作内容如下所述。(1)针对人工检测的经验不足和费时费力问题,本文利用深度学习技术自动分类病变。近年来,人工智能科学不断发展,其中深度卷积神经网络在图像识别分类领域取得了举世瞩目的成果。本文采用卷积神经网络的知识,应用于糖尿病视网膜图像的分类诊断,让计算机自动提取高分辨率眼底图像的特征,对样本进行训练,从而在一定程度上缓解人工诊断经验不足、大量患者诊断费时费力的问题。(2)针对医疗资源分布不均问题,本文利用互联网技术实现远程诊断。传统的远程诊断需要患者上传病历信息与眼底图像,医生再进行在线诊断,但是其仍然依赖于专业医生的诊断意见,由于糖尿病患者数量众多,对于医生而言仍是一项耗费精力的工作,而且偏远地区医疗资源匮乏也会造成误诊。为了解决这一问题,本文基于 B/S 架构,采用 Nginx+ SpringMVC + MyBatis + MySQL + Redis 搭建分布式后台系统,并结合Caffe深度学习平台,将互联网技术与糖尿病视网膜病变诊断相结合,构建了一套完整的远程糖尿病视网膜病变智能诊断系统解决方案。

基于眼底彩照的糖尿病视网膜病变检测与分析

这是一篇关于多目标分割,糖尿病视网膜病变,眼底彩照,卷积神经网络,医学图像分割,糖尿病视网膜分期的论文, 主要内容为糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病的严重并发症之一,表现为一种或多种视网膜病变,如出血(Hemorrhages,HE)、硬性渗出(Hard Exudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(Soft Exudates,SE)。研究证明,DR 是引起糖尿病患者视力下降乃至失明的重要影响因素。因此,DR的早期筛查、诊断尤其是病灶的分割与DR分期,对于眼科医生制定DR治疗方案至关重要。眼底彩照(Fundus Image)是一种无创眼底图像采集技术,广泛用于眼科疾病的筛查,本文基于眼底彩照对糖尿病视网膜病变进行相关研究。首先,提出了一种基于双重自适应的多目标加权分割网络(Dual Adaptive Multi-Target Weighting Joint Segmentation Network,DAMWNet),实现了对HE、EX、MA和SE的DR多病灶联合分割。DAMWNet基于U型编解码结构,主要包括学习指导模块和反向数据恢复模块。基于注意力机制的学习指导模块嵌入于编码器顶端,通过提取高阶类信息动态地指导网络计算资源分配,以缓解类别不平衡的问题。为了进一步提高分割网络的特征提取能力,在解码器顶端设计了一个反向数据恢复模块,用于自适应地学习有利于拟合原始输入数据的特征。此外,设计了一个优化流程,用于端到端地训练整个分割网络。本方法在国际公开数据集上进行了验证与评估,通过比较Dice系数、敏感性、雅卡尔系数和皮尔逊相关系数来评估联合分割网络的性能。实验表明,本方法性能较好,具有潜在的临床应用价值。其次,提出了 一种基于双重自适应的残差并行聚合网络(Residual Aggregation Staging Network,RD-Net),实现了对DR的分期。RD-Net包含并行的多目标分支、残差分支以及一个自注意力聚合模块。多目标分支与残差分支位于网络的底端,分别用于提取类别相关的特征信息与缓解退化问题。自注意力聚合模块位于网络的顶端,用于融合不同类型的特征图,提高网络的特征辨识能力。本方法在临床数据集上进行了验证与评估,通过比较准确率、曲线下面积和Kappa系数来评估分期网络的性能。实验表明,本方法的分期性能较好,具有良好的临床应用前景。

基于眼底彩照的糖尿病视网膜病变检测与分析

这是一篇关于多目标分割,糖尿病视网膜病变,眼底彩照,卷积神经网络,医学图像分割,糖尿病视网膜分期的论文, 主要内容为糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病的严重并发症之一,表现为一种或多种视网膜病变,如出血(Hemorrhages,HE)、硬性渗出(Hard Exudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(Soft Exudates,SE)。研究证明,DR 是引起糖尿病患者视力下降乃至失明的重要影响因素。因此,DR的早期筛查、诊断尤其是病灶的分割与DR分期,对于眼科医生制定DR治疗方案至关重要。眼底彩照(Fundus Image)是一种无创眼底图像采集技术,广泛用于眼科疾病的筛查,本文基于眼底彩照对糖尿病视网膜病变进行相关研究。首先,提出了一种基于双重自适应的多目标加权分割网络(Dual Adaptive Multi-Target Weighting Joint Segmentation Network,DAMWNet),实现了对HE、EX、MA和SE的DR多病灶联合分割。DAMWNet基于U型编解码结构,主要包括学习指导模块和反向数据恢复模块。基于注意力机制的学习指导模块嵌入于编码器顶端,通过提取高阶类信息动态地指导网络计算资源分配,以缓解类别不平衡的问题。为了进一步提高分割网络的特征提取能力,在解码器顶端设计了一个反向数据恢复模块,用于自适应地学习有利于拟合原始输入数据的特征。此外,设计了一个优化流程,用于端到端地训练整个分割网络。本方法在国际公开数据集上进行了验证与评估,通过比较Dice系数、敏感性、雅卡尔系数和皮尔逊相关系数来评估联合分割网络的性能。实验表明,本方法性能较好,具有潜在的临床应用价值。其次,提出了 一种基于双重自适应的残差并行聚合网络(Residual Aggregation Staging Network,RD-Net),实现了对DR的分期。RD-Net包含并行的多目标分支、残差分支以及一个自注意力聚合模块。多目标分支与残差分支位于网络的底端,分别用于提取类别相关的特征信息与缓解退化问题。自注意力聚合模块位于网络的顶端,用于融合不同类型的特征图,提高网络的特征辨识能力。本方法在临床数据集上进行了验证与评估,通过比较准确率、曲线下面积和Kappa系数来评估分期网络的性能。实验表明,本方法的分期性能较好,具有良好的临床应用前景。

糖尿病视网膜病变智能诊断技术研究

这是一篇关于糖尿病视网膜病变,医学图像分类,特征融合,轻量化模型,注意力机制的论文, 主要内容为糖尿病性视网膜病变(DR)是引起人类视觉损伤和失明的主要因素。临床研究显示,只有对糖尿病人进行早期DR筛查和及时诊断,才能预防其视力衰退。目前病变主要通过人工诊断的方式进行治疗,然而随着筛查数量的增加,医生在诊断时非常容易出现漏诊、误诊、反馈不及时等问题,从而错过病情的最佳治疗时机。为此,亟需开发有效的智能技术来进行病变诊断。近年来,机器学习和深度学习等智能技术被广泛应用于糖尿病视网膜病变诊断领域,对于辅助医生进行大规模筛查,提高分类精度和诊断效率发挥了重要作用。本文结合经典图像处理技术,基于机器学习和深度学习方法研究DR等级分类问题,具体研究内容如下:(1)为了解决图像光照不均、数据不平衡等问题的干扰,采用裁剪、灰度化、颜色与亮度归一化、图像增强、伽马校正以及图像扩充等预处理操作。其中图像扩充采用翻转、平移、旋转等。(2)基于已有模型仅针对深度特征进行融合的问题,提出一种多类别特征融合分类模型。根据眼底病灶的特点,在提取Alex Net、VGG-16和Res Net-50三种深度特征的基础上,新添加了Gabor、LBP、HOG以及Haralick等四种影像组学特征,并采用双层特征融合网络对四种影像组学特征和三种深度特征进行筛选,最后通过SVM、RF、KNN、ELM对病变进行分级,其准确率分别达到88.64%、86.63%、86.27%、85.61%。有效避免了深度网络底层特征提取不足以及因影像组学特征维度较少造成的特征丢失问题。(3)为提高模型对小病灶的关注程度,提出一种基于深度可分离卷积和注意力机制的分类模型。其中,注意力机制基于1×1卷积和激活函数对关键特征进行识别,同时采用轻量化模块对模型的标准卷积进行替换,在保证精度的同时,实现病变的快速分类。经过在数据集上验证,其分类准确率达到91.5%,召回率达到90.3%,参数量为12.24M,FLOPs为9.74G,运行时间为158.7ms,Kappa值为0.893。在解决多类别特征网络提取背景、结构等无关信息过多,增强对小病灶特征关注程度的同时,有效降低了模型参数,减少运行时间。

糖尿病视网膜病变健康管理APP的开发研究

这是一篇关于糖尿病视网膜病变,健康管理,自我效能感,服药依从性,移动医疗的论文, 主要内容为目的:1.通过调研了解我国糖尿病视网膜病变(Diabetic Retinopathy,DR)患者院外自我管理现状和健康需求等关键问题,为研发糖尿病视网膜病变健康管理移动应用程序(Mobile Application,APP)提供前期依据。2.研发糖尿病视网膜健康管理APP,并探索其在DR患者疾病健康管理中的作用,旨在为提高DR患者健康管理效果提供新的依据。方法:1.DR患者院外健康管理现状分析本研究主要采用量性与质性相结合的研究方法。量性研究应用便利抽样法,采用自行编制的一般资料调查表、糖尿病患者自我管理KAB评价简化量表、糖尿病自我效能量表和Morisky服药依从性量表,于2022年3月～2022年6月对山东省济南市2所公立三甲医院眼科门诊的250名DR患者进行问卷调查,了解患者院外的疾病管理状况和健康需求等,应用SPSS27.0软件对数据进行分析处理,并采用单因素分析、相关性分析和多重线性回归分析,进一步识别和探讨影响DR患者自我疾病健康管理的主要影响因素,以期为本研究APP功能和内容的确定及研发应用提供可靠的依据。同时采用目的抽样法,对自我管理能力较差的8名DR患者和7名临床医护人员进行面对面的半结构式访谈,深入了解糖尿病视网膜病变患者的健康管理现状和其内心真实感受,进而补充量性研究的不足。应用Nvivo12.0软件进行数据分析处理。2.DR患者健康管理APP的开发与测试通过文献回顾与前期的调研成果,初步拟定APP的功能模块和内容,并根据2轮相关学科的专家函询结果,对APP的框架、内容进行调整和修改后最终确定平台的内容和功能。确定平台内容后,由软件工程师与研究团队共同合作,采用快速原型交互模型进行平台Android系统数据管理系统的开发。并经过多轮模块功能测试后,完成系统的可用性测试。3.DR患者健康管理APP的可用性评价本研究采用自身前后对照设计的研究方法,于2023年1月～2023年2月,随机抽取前期研究中的60名DR患者作为研究对象,在为期4周的APP使用后,采用糖尿病患者自我管理KAB简化量表、糖尿病自我效能量表、Morisky服药依从性量表和健康管理APP使用效果满意度调查表,评价其在自我管理能力、自我效能、服药依从性等方面的变化和使用满意度情况。采用SPSS.27.0对数据资料进行整理和分析,量表得分服从正态分布采用配对样本T检验分析;不服从正态分布使用Wilcoxon符号秩和检验,探讨DR患者健康管理APP的使用效果。结果:1.在对250例DR患者调查后,共回收有效问卷230份,问卷的有效回收率为92%,量化后的糖尿病患者自我管理KAB评价简化量表总分得分最高为96.67分,最低为27.62分,得分为64.76(59.04,71.07)分,其中67.8%的患者得分处于中等水平,26.1%的患者得分处于较低水平,仅有6.1%的患者得分处于较高的水平。知识分量表总分得分为65.90(54.54,77.27)分;态度分量表总分得分为96.00(92.00,96.00)分;行为分量表总分得分为53.33(45.33,60.00)分。DR患者的糖尿病自我效能感量表得分最高为9.88分,最低为3.25分,得分为6.25(5.46,7.00)分,其中88.3%的患者得分处于中等水平,1.7%的患者得分处于较低水平,10.0%的患者得分处于较高水平。DR患者Morisky服药依从性问卷得分最高为8分,最低为1.4分,平均得分(5.24±1.49)分,其中68.3%的患者服药依从性较差,24.8%的患者的服药依从性一般,仅有7.0%的患者的服药依从性较好。2.不同人口学和疾病特征的DR患者的单因素分析结果显示:DR患者自我管理KAB总分得分在文化程度、糖尿病病程方面具有统计学差异(P<0.05);DR患者自我管理知识维度总分得分在职业、文化程度上具有统计学差异(P<0.05);DR患者自我管理态度和行为维度总分得分在文化程度上具有统计学差异(P<0.05)。DR患者的职业、婚姻状况、糖尿病病程、医疗费用负担程度对DR患者自我效能感总分差异具有统计学意义(P<0.05)。DR患者的职业、文化程度、其他并发症、医疗费用支付方式和医疗费用负担程度对DR患者服药依从性总分差异具有统计学意义(P<0.05)。3.相关性分析结果显示:DR患者的糖尿病自我管理KAB总分得分与糖尿病自我效能感总分得分、服药依从性总分得分呈正相关,糖尿病自我效能感总分得分与服药依从性总分得分呈正相关,(P均<0.05)。4.多因素分析结果显示:文化程度、糖尿病病程、糖尿病自我效能感总分得分和服药依从性总分得分是DR患者糖尿病自我管理KAB总分得分的主要影响因素(P<0.05);5～10年的糖尿病病程、重度医疗费用负担程度和服药依从性总分得分是DR患者糖尿病自我效能感总分得分的主要影响因素(P<0.05);职业、大专及以上学历是DR患者服药依从性总分得分的影响因素(P<0.05)。5.质性研究结果显示,DR患者院外的整体健康管理情况主要表现在:病情控制方面,血糖控制较差、视力状况较差、睡眠欠佳、出现其他并发症、反复入院等问题;疾病认知方面,表现出低疾病关注度和低认知能力;自我管理情况方面,表现在低质量血糖监测行为、定期复诊率低和服药依从性较差;自我效能感水平方面,缺乏疾病管理的自信心,需要提高家庭关怀与支持度;同时多数患者存在疾病情绪尤其是负性情绪,不利于患者疾病的健康管理。医护访谈结果显示,DR患者的健康管理问题主要存在于:一、疾病管理上,服药依从性、血糖管理和自我管理行为水平较低;二、疾病认识上,缺乏对自我及相关基础知识的全面正确性认知;三、在疾病态度上,需提高患者的家庭关怀与支持力度,转变治疗态度;四、在疾病需求上,患者疾病知识的需求仍是临床工作的重点关注方向。同时访谈结果也显示,临床的接诊工作量对科普工作有一定的影响。6.德尔菲专家函询结果:两轮函询的专家一致,共邀请了15名专家参与,每轮均收回15份有效咨询问卷,回收率均为100%,专家提出意见分别占比53.33%和13.3%;两轮函询中专家的权威系数为0.88,专家的意见协调程度较好,两轮专家咨询的肯德尔和谐系数分别为0.197(P<0.05)和0.222(P<0.05),各条目重要性的变异系数为0～0.14。经过两轮专家函询后共新增了10个功能项,最终确定APP以“科普”、“健康记录”和“个人设置”为主要功能模块。科普功能模块主要是健康教育知识的搜索和学习页面,包含相关疾病的概述、病因、症状、治疗、日常护理与多媒体学习内容,实现了多格式切换学习模式,同时设置了点读语音播报、学习收藏、随手拍、相册和放大镜功能,便利患者使用。健康记录功能模块,主要是对DR患者相关监测指标的数值记录,如:体重、血糖、血压、饮食、运动、睡眠、视力和用药八个监测指标,同时合理的设置了相关监测指标的危险值预警提醒功能和整体趋势图分析功能,有利于患者对自身健康情况的总体掌握。个人设置功能模块,主要包括个人信息维护和系统设置功能,有利于患者对APP的个性化和人性化使用。7.在健康管理手机APP使用干预后,DR患者的糖尿病自我管理KAB量表总分、糖尿病患者自我效能感量表总分和Morisky服药依从性问卷得分分别为90.00(88.21,91.42)、7.11±0.52、6.80(6.60,7.45),与干预前比较,差异具有显著统计学意义(P<0.001)。DR患者对糖尿病健康管理APP的使用满意度良好,量表条目中选择“同意”、“完全同意”选项的患者比例为91.6%。结论:1.糖尿病视网膜病变健康管理APP能够有效提升DR患者的疾病自我管理能力、自我效能感和服药依从性。2.糖尿病视网膜病变健康管理手机APP,便捷、实用,用户的使用满意度较高,可以考虑在医院或是社区卫生中心进行推广应用。

基于眼底彩照的糖尿病视网膜病变检测与分析

这是一篇关于多目标分割,糖尿病视网膜病变,眼底彩照,卷积神经网络,医学图像分割,糖尿病视网膜分期的论文, 主要内容为糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病的严重并发症之一,表现为一种或多种视网膜病变,如出血(Hemorrhages,HE)、硬性渗出(Hard Exudates,EX)、微血管瘤(Microaneurysms,MA)和棉绒斑(Soft Exudates,SE)。研究证明,DR 是引起糖尿病患者视力下降乃至失明的重要影响因素。因此,DR的早期筛查、诊断尤其是病灶的分割与DR分期,对于眼科医生制定DR治疗方案至关重要。眼底彩照(Fundus Image)是一种无创眼底图像采集技术,广泛用于眼科疾病的筛查,本文基于眼底彩照对糖尿病视网膜病变进行相关研究。首先,提出了一种基于双重自适应的多目标加权分割网络(Dual Adaptive Multi-Target Weighting Joint Segmentation Network,DAMWNet),实现了对HE、EX、MA和SE的DR多病灶联合分割。DAMWNet基于U型编解码结构,主要包括学习指导模块和反向数据恢复模块。基于注意力机制的学习指导模块嵌入于编码器顶端,通过提取高阶类信息动态地指导网络计算资源分配,以缓解类别不平衡的问题。为了进一步提高分割网络的特征提取能力,在解码器顶端设计了一个反向数据恢复模块,用于自适应地学习有利于拟合原始输入数据的特征。此外,设计了一个优化流程,用于端到端地训练整个分割网络。本方法在国际公开数据集上进行了验证与评估,通过比较Dice系数、敏感性、雅卡尔系数和皮尔逊相关系数来评估联合分割网络的性能。实验表明,本方法性能较好,具有潜在的临床应用价值。其次,提出了 一种基于双重自适应的残差并行聚合网络(Residual Aggregation Staging Network,RD-Net),实现了对DR的分期。RD-Net包含并行的多目标分支、残差分支以及一个自注意力聚合模块。多目标分支与残差分支位于网络的底端,分别用于提取类别相关的特征信息与缓解退化问题。自注意力聚合模块位于网络的顶端,用于融合不同类型的特征图,提高网络的特征辨识能力。本方法在临床数据集上进行了验证与评估,通过比较准确率、曲线下面积和Kappa系数来评估分期网络的性能。实验表明,本方法的分期性能较好,具有良好的临床应用前景。