
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于CBAM注意力模块增强卷积网络在糖尿病视网膜病变二分类中的性能评估
《Scientific Reports》:CBAM-enhanced convolutional networks for diabetic retinopathy classification in the ODIR dataset
【字体: 大 中 小 】 时间:2026年10月15日 来源:Scientific Reports 4.9
编辑推荐:
摘要注意力模块可能通过重新加权信息性通道和空间区域来提高眼底图像分类性能。我们使用眼病识别数据集中的预处理图像,评估了一种采用卷积块注意力模块(CBAM)增强的卷积网络在二分类糖尿病视网膜病变分类中的表现,并在所报告的通用训练条件下将其与VGG-11、VGG-13、ResNe
注意力模块可能通过重新加权信息性通道和空间区域来提高眼底图像分类性能。我们使用眼病识别数据集中的预处理图像,评估了一种采用卷积块注意力模块(CBAM)增强的卷积网络在二分类糖尿病视网膜病变分类中的表现,并在所报告的通用训练条件下将其与VGG-11、VGG-13、ResNet-18、ResNet-34和ResNet-50进行了比较。在固定的1,000张图像测试集上,CBAM模型产生了465个真阳性、460个真阴性、35个假阴性和40个假阳性,对应准确率92.5%、精确率92.1%、敏感度93.0%和F1分数92.5%;报告的AUC值为0.96。该模型的推理时间为28毫秒,文件大小为35.2 MB,浮点运算量为18亿次。这些结果支持了在受控的图像级评估中使用紧凑的注意力增强分类器的可行性。然而,这些结果并不能确立完全的临床有效性,因为该研究仅使用了一个公共数据集和一个存档划分,缺乏外部验证和组件级消融实验,且未保留配对的病灶级解释输出。