基于多尺度特征融合的双阶段深度学习青光眼严重程度分类方法

这篇研究提出了一种创新的青光眼分级框架GMFF-Net（Glaucoma Multiscale Feature Fusion Network），通过双阶段深度学习架构整合解剖学特征（OC/OD）与纹理特征，采用多尺度特征提取（SPP/ASPP）和混合注意力机制（channel/spatial attention），在Ibn Al-Haitham数据集上实现92.822%准确率，为复杂眼底病变筛查提供了新范式。

　　

Highlight

本研究亮点在于：

1. 提出新型双阶段深度学习框架GMFF-Net用于青光眼严重程度分级，通过高效编码器头整合多尺度特征提取、残差连接和注意力机制，显著提升特征表征能力；

2. 开发基于多尺度裁剪机制的定位策略和自适应加权融合策略，重点强化关键区域的判别性特征；

3. 通过系统性实验验证框架有效性，在青光眼筛查任务中超越7种前沿分类模型。

Methodology

方法学创新：

GMFF-Net采用独特的双阶段架构：第一阶段通过并行编码器（解剖学编码器RMHA-Net+新型纹理编码器）提取互补特征，集成多尺度金字塔(ASPP)和混合注意力模块；第二阶段通过多层融合单元(MFU)动态整合特征，最终由密集分类层实现三阶段精准分类。框架突破传统单尺度特征提取局限，有效捕捉OC/OD区域微细病理变化。

Experimental setup

实验配置：

使用Ibn Al-Haitham临床数据集（含伦理审批49213），预处理包括标准化和ROI裁剪。评估指标采用准确率(92.822%)、精确度(0.9326)、召回率(0.9174)和F₁分数(0.9296)。硬件配置NVIDIA RTX 3090 GPU，软件基于PyTorch框架。

Benchmarking comparison

基准测试：

与ResNet50、EfficientNet等7种模型对比显示，GMFF-Net在敏感度指标上提升12.6%，特别在早期青光眼识别中F₁-score提高9.2%。消融实验证实多尺度融合和注意力模块分别贡献5.3%和3.8%性能增益。

Discussion

讨论：

区别于传统单路径模型，GMFF-Net通过双编码器架构实现：①解剖学特征（OC/OD比例）与语义特征（视网膜纹理）的协同增强；②多尺度特征金字塔克服RNFL变薄区域的检测难题；③注意力机制有效聚焦临床关键区域。该框架为糖尿病视网膜病变等复杂疾病分级提供新思路。

Conclusion and future work

结论与展望：

GMFF-Net通过模块化设计实现青光眼精准分期，未来将：①扩展至多模态数据（OCT+眼底图像）融合；②探索可解释AI技术增强临床可信度；③优化移动端部署适配基层医疗场景。