优文推荐 | 融合注意力谱非局部块的视网膜图像质量分级

文摘科技 2024-06-26 14:29 陕西

NO.1 论文简介

视网膜图像是诊断糖尿病性视网膜病变、黄斑水肿和其他视网膜疾病最常见的诊断方式，高质量的视网膜图像有助于眼科医生有效地做出正确的临床决策，而低质量的图像可能会混淆医生的诊断。在临床上，视网膜图像质量评估（Retinal image quality assessment，RIQA）是由眼科医生或验光师手动进行的，这在很大程度上依赖于操作者的丰富经验，且这个过程耗费大量时间和精力。因此，为了提高视网膜图像采集的效率和质量评估准确率，借助计算机辅助诊断技术实现 RIQA 自动分级极具研究价值。

针对视网膜图像质量差异大且质量评估模型泛化能力不足等问题，提出一种融合注意力谱非局部块的多特征算法来对 RIQA 进行预测分级。首先采用融合光谱非局部块的 ResNet50 网络对输入图像进行特征提取；其次引入高效通道注意力用于提升模型对数据的表达能力，有效捕获通道间特征信息关系；再后利用特征迭代注意力融合模块对各局部特征信息融合；最后联合焦点损失和正则损失进一步提高质量分级的效果。

NO.2 主要贡献

（1）引入谱非局部块并与残差网络ResNet50融合充分提取视网膜图像质量特征信息。通过图滤波器将非局部聚合与非局部块的局部过滤结合起来，在滤波去除噪声的同时也有效地聚合了特征信息。

（2）引入高效注意力机制来捕获各分支通道间特征信息的关系。目的是为了对谱非局部块的输出结果进一步细化，通过自适应的地学习每个通道的权重将重要的通道突出并抑制不重要的通道，以提高模型对数据的表达能力。

（3）设计特征迭代注意力融合模块对各局部特征信息融合。其主要是采用特征多样生成器模块通过聚合从其他特征区域表示中挖掘的互补信息来增强每个特定部分的特征，再将输出结果引入多尺度通道注意力模块进行进一步细化，找到更为关键的区域特征信息。特征迭代注意力融合模块旨在实现对各部分特定的局部信息进行更深层次的关注。

（4）设计了焦点损失和正则损失的加权组合损失函数来缓解数据集样本分布不均和避免模型发生过拟合的问题，进一步提高模型的性能。

图1 网络整体结构图

NO.3 研究结论

本文提出的融合注意力谱非局部块的视网膜图像质量分级模型在 Eye-Quality 和 RIQA-RFMiD 两个数据集上验证了算法的有效性和泛化性，在 Eye-Quality 数据集上准确率为 88.59%，精确度为 87.56%，敏感度和 F1 值分别为 86.10%和 86.74%。在 RIQA-RFMiD 数据集上准确率和 F1 值分别为 84.22%和 67.17%，且与同类型网络比较，可知本文算法性能优于其他算法。在未来，期望利用具有代表性的先验信息来提高 RIQA 的性能，更好地帮助视网膜疾病的诊断。

图2 不同模型特征热图对比

NO.4 论文资助