基于并行扩张卷积检测变换器（PDC-DETR）的黄斑变性实时筛查新方法

《BMC Medical Imaging》：PDC-DETR: a Parallel Dilated Convolutional Detection Transformer for preliminary screening of multiple macular degeneration

本研究针对光学相干断层扫描（OCT）图像中黄斑变性多尺度特征难以捕捉导致的误诊问题，提出了一种轻量化实时检测模型PDC-DETR。通过并行特征优化注意力金字塔网络（PFOAPN）融合全局与局部特征，结合动态梯度分配的Wise-MPDIoU损失函数，在仅38.2 MB参数量下实现94.1%分类准确率及71 FPS的实时检测性能，为临床自动化筛查提供新方案。

　　

在全球致盲性眼病中，黄斑变性、青光眼和白内障位列前茅，其中黄斑变性因损害中心视力而尤为棘手。光学相干断层扫描（OCT）作为视网膜疾病诊断的金标准，虽能提供高分辨率横断面图像，但医生手动判读耗时且主观性强，易漏诊误诊。更棘手的是，黄斑变性病变形态呈现多尺度、不规则的特点，传统人工智能模型难以兼顾特征捕捉的精度与效率，临床实时筛查需求远未满足。

为此，Wang等人在《BMC Medical Imaging》发表研究，提出并行扩张卷积检测变换器（PDC-DETR）。该模型以RT-DETR为基线，引入三大创新：首先，并行特征优化注意力金字塔网络（PFOAPN）通过分支注意力采样模块（BAUpsampling/BADownsampling）和并行扩张卷积（PDC）模块，同步提取病变的全局上下文与局部细节；其次，Wise-MPDIoU损失函数融合动态非单调聚焦机制，优化边界框回归精度；最后，轻量化设计使模型参数量仅38.2 MB，在保持71 FPS实时速度的同时，对五类黄斑变性（糖尿病性黄斑水肿DME、中心性浆液性脉络膜视网膜病变CSC、黄斑裂孔MH、脉络膜新生血管CNV、玻璃膜疣Drusen）的检测准确率达94.1%。

关键技术方法包括：基于ResNet-18骨干网络的多尺度特征提取；注意力引导的并行采样模块处理不同尺度目标；PDCC3模块通过跨阶段连接优化特征复用；Wise-MPDIoU损失函数引入异常值因子β=LMPDIoU?/LˉMPDIoU动态分配梯度。实验使用5400张OCT图像（来源：公开数据集OCT2017、Retinal-OCT-C8及大连市中心医院伦理审核数据），按7:1:1划分训练/验证/测试集。

模型对比实验

与12种主流检测模型（如YOLOv5m、RT-DETR-R18）相比，PDC-DETR的mAP₅₀提升至94.1%，mAP_50-95达55.5%，参数量（38.2 MB）和计算量（58.5 GFLOPs）均低于多数对比模型。训练曲线显示，其收敛过程较YOLO系列更平滑，得益于Transformer的端到端设计。

多尺度特征融合模块对比

PFOAPN在mAP₅₀上较传统特征金字塔网络（如PaFPN、BiFPN）提升1.9%-3.2%，其分支注意力机制有效保留细节信息，抑制冗余噪声。

损失函数对比

Wise-MPDIoU在mAP₅₀上较GIoU、DIoU等基线提升1.2%-2.1%，通过动态梯度分配缓解低质量标注样本的干扰。

消融实验

逐项添加PFOAPN与Wise-MPDIoU后，mAP₅₀从90.0%提升至94.1%，证明二者协同增强模型性能。Grad-CAM热力图显示，PDC-DETR对病变区域的关注更集中，显著优于基线模型。

结论与意义

PDC-DETR通过并行化架构与动态损失函数设计，实现了黄斑变性检测精度与速度的平衡。其轻量化特性适配边缘设备与云端部署，有望推动基层医疗机构的自动化筛查应用，为眼科人工智能诊断树立新标杆。