基于互补判别区域特征融合与序数回归的AS-OCT图像细粒度核性白内障分级网络

本文提出CDRFF-Net创新网络，通过互补判别区域提取器（CDRE）和图增强特征融合（GFF）模块，实现前节光学相干断层扫描（AS-OCT）图像中核性白内障（NC）的细粒度分级。该方法突破传统粗粒度分类局限，结合软标签编码疾病序数特性，在局部临床数据集上达90.58%准确率，为眼科精准诊疗提供新范式。

　　

Highlight亮点

我们提出新型细粒度网络CDRFF-Net，通过识别判别性区域特征提升核性白内障（NC）分级准确率。创新性设计包括：

1）互补判别区域提取器（CDRE）模块捕获透镜核区显著/非显著但关键的特征；

2）图增强特征融合（GFF）模块通过可学习邻接矩阵整合多区域特征；

3）采用含序数信息的软标签替代传统one-hot编码，建模疾病进展连续性。

Discussion讨论

与现有技术对比（表2），本方法以90.58%准确率领先。AS-OCT图像中NC严重程度与核区不透明度呈正相关，CDRE模块通过动态调整注意力区域，协同优化计算效率与高频局部特征保留。GFF模块克服传统方法忽略区域相关性的缺陷，通过图结构建模解剖学关联。

Conclusion结论

CDRFF-Net创新性地将NC作为细粒度分类任务处理：

1）CDRE+GFF模块实现透镜核区判别特征的"显著-非显著"双重捕获与高效融合；

2）序数回归损失函数利用NC分级固有的顺序先验；

3）在临床AS-OCT数据集和公开数据集上验证了方案优越性，为眼科AI诊断建立新基准。

（注：严格遵循要求处理专业术语如AS-OCT、LOCS III^?等，未保留文献[1]等引用标识及Fig.1等图示标注）