印度队列研究中心外膜脂肪组织与冠状动脉疾病的性别特异性关联：一项横断面研究

《International Journal of Cardiology Cardiovascular Risk and Prevention》：Sex-specific association of epicardial adipose tissue with coronary artery disease in an Indian cohort: a cross-sectional study

针对高血压性视网膜病变（HR）诊断中传统方法依赖人工检查的不足，本研究提出MA-DNet模型，结合DenseNet121架构与通道、空间注意力机制（SENet、CBAM），通过数据增强与对比增强技术优化样本分布，在OIA-ODIR数据集上实现95.8%的分类准确率，显著降低误诊率并提升轻量化部署可行性。

　　高血压视网膜病变（Hypertensive Retinopathy, HR）是一种由高血压引发的常见并发症，其特征在于视网膜血管系统的逐渐损伤，严重威胁患者的视力健康和生活质量。由于HR的早期和精准识别对疾病干预至关重要，因此，传统的临床诊断方法主要依赖眼科医生对视网膜图像的手动分析，这种方式存在主观性强、效率低以及诊断一致性差的问题。尤其是在医疗资源匮乏的地区或大规模筛查场景中，这些局限性可能导致误诊和漏诊率升高，进一步加剧了眼科资源分配不均的挑战。

为了解决这些问题，本文提出了一种轻量级的双注意力网络模型MA-DNet，旨在通过分层特征优化提升HR分类的准确性。该模型结合了DenseNet的结构特点与通道和空间注意力机制，以增强特征表达能力并优化模型性能。MA-DNet不仅在特征提取方面具备高效性，还通过数据增强和平衡策略有效缓解了数据集中的类别不平衡问题，从而提升了模型在不同病理状态下的泛化能力。实验结果表明，该模型在OIA-ODIR数据集上达到了95.8%的分类准确率，显著优于现有的方法。

### 数据准备与预处理

为了确保模型的有效训练，本文首先对实验数据进行了系统的预处理。数据来源包括OIA-ODIR数据集及其他公开的医学图像数据集。OIA-ODIR数据集包含了来自多个医疗机构的异质性视网膜图像，涵盖了糖尿病视网膜病变（DR）、青光眼、年龄相关性黄斑变性（AMD）以及高血压视网膜病变（HR）等病理情况。在预处理阶段，首先对图像进行了标准化处理，包括去除黑色边框、灰度转换、二值化以及Canny边缘检测，以精准地裁剪出眼部区域。随后，将所有图像统一调整为256×256像素的分辨率，以平衡病变可见性与计算效率。

由于HR在OIA-ODIR数据集中占比仅为3.4%，因此模型在训练过程中面临严重的类别不平衡问题。为解决这一问题，本文采用了图像归一化（如直方图均衡）和数据增强策略，包括旋转和翻转等几何变换，以增加HR图像的多样性。同时，通过随机过采样技术，将HR图像样本数量提升至训练集的52.9%，从而在保持病理特征真实性的前提下，显著优化了模型的训练效果。

### 模型设计与实验分析

MA-DNet的模型架构基于DenseNet-121，这是一种在医学图像处理中广泛应用的轻量级网络结构。DenseNet通过密集连接机制，使得每一层都能直接访问其前序所有层的特征图，从而有效缓解了深度网络中的梯度消失问题，并提升了特征重用能力。这种结构不仅增强了模型的稳定性，还使其能够捕捉到视网膜病变中的细微特征，例如微动脉瘤和棉絮斑等关键病变。

在DenseNet的基础上，MA-DNet进一步引入了SENet和CBAM两种注意力机制。SENet模块被插入在每个DenseBlock之后，但在Transition层之前，以实现通道特征的动态重校准。该模块通过全局特征压缩和门控机制，对不同通道的特征进行加权，优先保留对诊断具有重要意义的特征，同时抑制噪声干扰。CBAM模块则结合了通道注意力和空间注意力机制，通过对特征进行跨维度的重要性评估，增强了模型对病变区域的识别能力。CBAM模块首先通过并行的最大值和平均值池化操作提取通道注意力，随后利用卷积层融合这些特征，生成具有位置敏感性的掩码，从而实现对背景的优化过滤。

在模型训练过程中，采用SGD优化器，初始学习率为0.001，结合交叉熵损失函数进行参数更新。通过上述优化策略，MA-DNet仅需7.33百万个参数即可达到95.8%的分类准确率，较传统方法减少了37%的计算复杂度。此外，该模型在严重误分类率方面也表现出显著的提升，相较于常规方法降低了12.6个百分点，表明其在HR识别任务中的优越性。

为了验证模型的有效性，本文对MA-DNet进行了全面的实验分析。在训练过程中，准确率随着训练轮次的增加而逐步提升，验证准确率在第64轮达到峰值，之后训练进一步进行并未带来显著的性能提升，表明模型已经收敛。同时，训练损失从初始的0.04369迅速下降至0.0076，验证损失则从0.0897降至0.0702，说明模型在训练过程中具备良好的学习能力，并且在验证阶段表现稳定。在第64轮后，验证损失开始上升，表明模型可能存在过拟合现象，因此选择第64轮作为最佳训练轮次。

在测试阶段，MA-DNet在OIA-ODIR数据集上取得了95.8%的准确率，其中敏感度（Sensitivity）为85.2%，特异度（Specificity）为96.3%。这一结果表明，该模型在识别HR病例时具有较高的召回率和精准度。特别是在早期阶段的HR病例中，模型能够准确识别微动脉瘤等关键病变，仅出现2例假阴性结果，即轻微HR病例被误判为正常，说明模型在处理类别不平衡问题上具有较强的鲁棒性。

为了进一步验证注意力机制在模型中的作用，本文对不同配置下的模型进行了对比实验。结果显示，移除SENet和CBAM模块会导致准确率下降6.2%，表明这两种注意力机制对于模型性能具有不可或缺的贡献。单独引入SENet模块能够提升微血管特征的提取能力，而CBAM模块则更有效地抑制背景干扰，从而优化模型的分类效果。

### 模型性能对比

MA-DNet在多个关键指标上均优于现有的HR分类模型，如ResNet-50和Mobile-HR。其中，ResNet-50的准确率为89.2%，敏感度为72.3%，而Mobile-HR的准确率为92.1%，敏感度为78.6%。相比之下，MA-DNet在准确率和敏感度方面分别提升了6.6%和7.5%。此外，模型的特异度也达到了96.3%，显示出其在区分正常和HR病例方面的能力。

值得注意的是，虽然现有的糖尿病视网膜病变（Diabetic Retinopathy, DR）系统在AUC（曲线下面积）指标上表现优异，例如Gulshan等人提出的模型在EyePACS和Messidor-2数据集上达到了0.99的AUC值，但这些系统主要针对DR的特定病理特征，如微动脉瘤和渗出物，而非HR中的棉絮斑和血管病变。因此，MA-DNet在HR分类任务中具有独特的优势，其性能提升主要来自于对HR特异性特征的精准捕捉。

### 结论

综上所述，MA-DNet模型通过引入通道和空间注意力机制，显著提升了高血压视网膜病变的分类准确性。该模型在OIA-ODIR数据集上实现了95.8%的准确率，相较于传统方法提高了12.6个百分点的严重误分类率，表明其在识别HR病变方面具有较强的鲁棒性。同时，通过数据增强和平衡策略，MA-DNet有效缓解了数据集中的类别不平衡问题，使得模型在有限样本的情况下仍能保持较高的性能。

此外，MA-DNet的轻量化设计使其具备在边缘设备上的部署能力，例如在Raspberry Pi 4上实现每张图像约2.3秒的推理时间，这为资源匮乏地区的临床应用提供了重要的技术支持。模型的低计算复杂度和高识别能力使其成为一种高效且可靠的HR筛查工具，能够直接应对眼科资源分配不均的问题。

尽管MA-DNet在HR分类任务中表现出色，但在早期阶段的HR病例识别上仍存在一定的挑战，如对微动脉瘤的识别。因此，未来的研究方向可能包括引入纵向分析策略，以进一步提高模型对早期病变的检测能力。同时，通过优化模型结构和引入更多医学图像特征，有望进一步提升其在复杂病理情况下的泛化能力。最终，MA-DNet为高血压视网膜病变的自动化诊断提供了一种可行的解决方案，具有重要的临床应用价值。