基于残差自注意力与扩张卷积网络的角膜层智能分类：生物医学信号处理新突破

《Biomedical Signal Processing and Control》：Advanced artificial intelligence-based classification of corneal layers using residual self-attention and dilated convolutional networks: enhancing biomedical signal processing

本文提出创新性残差自注意力层级融合（RSAHiFuse）模型和扩张卷积DenseNet-77（DCDN-77）模型，通过多尺度特征聚合与空间上下文捕捉，实现角膜共聚焦显微镜（CCM）图像的精准分层分类。该方法在圆锥角膜检测中达到98.5%准确率，为眼科疾病诊断提供自动化分析工具，显著提升临床决策效率。

　　

创新性整合：新型残差自注意力层级融合（RSAHiFuse）与扩张卷积DenseNet-77（DCDN-77）模型的创新性整合代表了该领域的重要进展。该方法通过实施有效的特征提取和分类流程，克服复杂角膜数据集的所有难点，在准确性和可解释性方面实现卓越性能，从而推动眼科诊断水平的提升。

新型特征提取方法：引入结合层级融合与残差自注意力的RSAHiFuse模型，通过多尺度聚合和自注意力机制实现有效特征提取。这使得模型能够获取完整、全面的空间上下文数据，对精准高效的分析至关重要。

先进分类模型：提出整合DenseNet-77结构与扩张卷积模块的新型DCDN-77模型。这一创新性先进模型通过处理数据变异性增强共聚焦角膜图像分类能力，进而提高正常与病变角膜的分类准确率。

本文主要贡献如下：

RSAHiFuse模型设计：设计结合层级融合与残差自注意力的RSAHiFuse模型，通过多尺度聚合和自注意力增强集成特征，使其能够精准捕捉角膜图像的空间与上下文细节。

先进DCDN-77模型：提出集成扩张卷积块的新型DCDN-77模型，该模型有助于提升正常与病变角膜的分类准确率。

提升可解释性与准确性：通过整合RSAHiFuse和DCDN-77，为复杂角膜数据集分类提供有效解决方案。该集成展现出提升的可解释性与准确性，在诊断能力方面实现有益突破，助力眼科临床决策优化。

论文组织结构如下：第2节回顾角膜层分析的相关文献；第3节阐述包含不同关键步骤的 proposed 算法；第4节对结果进行分析评估；第5节总结全文。