基于SE嵌入特征融合金字塔的卷积神经网络SF Net在视网膜OCT图像分类中的突破性应用

来自Noor眼科医院的研究团队开发了新型多尺度分类框架SF Net，通过嵌入Squeeze-and-Excitation机制和特征融合金字塔结构，在训练数据有限的情况下实现对AMD、DME等视网膜病变的高精度OCT图像分类，在NEH和UCSD数据集上均超越现有主流模型。

　　

年龄相关性黄斑变性(AMD)和糖尿病性黄斑水肿(DME)是全球致盲的主要病因，光学相干断层扫描(OCT)技术在眼科疾病诊断中具有关键作用。尽管深度学习已广泛应用于OCT图像分类，但现有方法通常需要大规模训练数据集，而医学图像采集的固有挑战使得获取大量数据十分困难。因此，开发能够在有限训练数据下仍实现高性能的模型具有重要意义。当前多数方法仅利用最终网络层提取的特征，而融合中间特征图能进一步提升分类精度。本研究提出新型端到端多尺度分类框架SF Net（嵌入挤压激励(S)机制的特征融合(F)金字塔卷积神经网络），用于可靠诊断正常视网膜图像及三种临床类型：AMD早晚期和DME。该方法的有效性在Noor眼科医院(NEH)国家数据集和加州大学圣地亚哥分校(UCSD)公开数据集上得到验证。实验结果表明，所提出的多尺度方法优于所有知名OCT分类框架，即使在训练数据集规模显著减小的情况下，模型性能仍超越大多数同类网络。