基于改进深度学习与双正交小波变换的多类眼病自动检测方法研究

本研究针对眼科疾病自动诊断中算法复杂度和分类性能的平衡问题，开发了一种结合双正交小波变换(Bior1.3)的轻量级CNN模型。通过分解视网膜图像多尺度特征，实现了对健康、白内障(CA)、糖尿病视网膜病变(DR)及其他罕见病变的四分类，准确率达0.9621，AUC达0.9950，显著优于现有方法。该模型仅含1.67M可训练参数，为资源有限地区的实时诊断提供了高效解决方案。

　　

眼科疾病的早期诊断对预防视力损伤至关重要，但传统人工分析存在效率低、依赖专家经验等问题。尽管基于卷积神经网络(CNN)的自动化诊断技术取得进展，但多病种分类时模型复杂度与性能难以兼顾，且预训练模型存在计算成本高、数据适配性差等缺陷。针对这些挑战，国内研究人员开发了一种创新性的轻量级深度学习框架。

该研究团队提出将双正交小波变换(Bior1.3)与定制化CNN相结合的策略。通过离散小波变换(DWT)将视网膜图像分解为LL、LH、HL、HH四个子带，提取多分辨率特征后输入6层卷积网络，最终通过128维全连接层实现四分类。模型在ODIR和RFMiD数据集上验证，包含健康、CA、DR及包含ARMD等罕见病变的"Others"类别，样本量达4304张图像。

关键技术方法包括：采用Bior1.3小波进行多尺度特征分解；构建含6个卷积块的轻量CNN（仅1.67M参数）；使用Adam优化器和0.5 dropout防止过拟合；通过ROC曲线和混淆矩阵评估性能，并与Haar、Db系列等9种小波对比。

研究结果显示：

1. 特征提取优化：Bior1.3小波在DR和Others类实现1.0的精确度、召回率和F1值，整体准确率0.9621，较传统CNN提升1.1%。
2. 模型效率：特征预处理使训练时间从20小时缩短至3小时，输入维度从256×256降至130×130×4。
3. 比较优势：在相同测试集上，本模型AUC(0.9950)超越VGG16(0.8719)和ResNet-101(0.9300)，参数量仅为Gour等双VGG16模型的11%。
4. 临床适用性：对CA和健康眼的分类精确度达0.93，能有效识别微动脉瘤、硬性渗出等DR特征。

讨论部分指出，该研究的突破性在于：首次验证双正交小波在视网膜多病种分类中的优越性，其对称性和边缘保持特性更适合捕捉眼底病变特征；提出的轻量架构在保持性能的同时大幅降低计算负载，适合嵌入式设备部署；将罕见病变归为"Others"类的策略缓解了数据不平衡问题。论文发表在《Array》，为基层医疗机构的眼病筛查提供了切实可行的AI解决方案，未来可扩展至更多病理类型的精细分类。