基于混合深度学习架构与优化图像特征的视网膜疾病分类研究

为解决视网膜疾病诊断中准确率低、误诊率高及耗时长等问题，研究人员提出新型混合深度学习(ILink-SqNet)模型，通过改进高斯滤波预处理、融合ResNet/VGG16特征与多纹理特征，实现0.951的精准分类，为临床眼科AI诊断提供高效解决方案。

　　

眼科医师常依赖视网膜眼底成像技术进行疾病诊断，但传统机器学习方法存在精度不足与耗时等问题。这项研究创新性地构建了混合深度学习框架：首先采用改进高斯滤波(Modified Gaussian Filtering)增强图像质量，随后整合ResNet、VGG16卷积神经网络的特征描述符，结合改进多纹理特征(Improved Multi-Texton)与统计特征进行降维优化。

分类阶段采用双模型协同策略——改进版LinkNet(ILinkNet)与轻量级SqueezeNet并行处理特征，最终通过概率加权平均输出结果。实验数据显示，该ILink-SqNet模型的分类精度达0.951，显著优于MobileNet(0.846)、SpinalNet(0.821)等对比模型。这种融合多尺度特征与集成学习的方法，为视网膜病变的智能筛查提供了新范式，有望提升临床诊断效率与患者预后。