基于多尺度特征提取的糖尿病视网膜病变实时分级系统：深度学习与嵌入式技术的融合创新

本文推荐：研究者提出一种基于多尺度特征提取（MSFE）的深度学习（DL）模型，结合树莓派（Raspberry Pi）嵌入式模块，实现糖尿病视网膜病变（DR）实时分级。该模型仅需2.7M可训练参数，在MESSIDOR-2等数据库上达到96.62%准确率，为偏远地区DR早期筛查提供高效解决方案。

　　

亮点

相关研究

DR导致的视力丧失不可逆，早期检测是关键。S. Gayatri等[10]采用Haralick和各向异性双树复小波变换（ADTCWT）算法提取眼底图像特征，通过二阶统计量实现方向性特征提取。

方法论

图3展示了DR分级的通用模型框架。本研究提出的MSFE模型通过低参数量设计，从眼底图像中高效提取多尺度特征（FL），在保持模型轻量化的同时实现高性能分类。

实验结果

模型在MESSIDOR-2、Kaggle和IDRiD等公开数据库及本地医院私有数据上验证。相比预训练模型，该方案在参数量、计算成本和分类性能上均具优势。

讨论

DR作为全球首要致盲因素，其早期无症状特性导致诊断困难。本研究开发的树莓派嵌入式DR检测系统，可服务于医疗资源匮乏地区，模型准确率达96.62%。

结论与未来工作

该深度架构与嵌入式模块的创新结合，为DR分级提供实时解决方案。未来将优化模型在移动端的部署性能，并扩展至其他视网膜病变检测领域。

（注：翻译严格遵循专业术语标注规范，如MSFE（多尺度特征提取）、DR（糖尿病视网膜病变）等，并保留原文技术表述的精确性。）