基于分数阶方法的视网膜疾病特征增强、血管分割与疾病分级统一框架

《Scientific Reports》：F2D-RetinaNet: a feature-to-decision dual-path network with fractional operators for retinal disease detection and grading

　　

摘要

可见的病理异常和血管完整性有助于诊断视网膜疾病。本文介绍了一种统一的特征到决策框架，首先提取血管并增强病变。首先，本研究提出了基于分数各向异性扩散的混合增强（FADHE）方法，该方法利用长记忆分数扩散动力学在绿色通道中选择性放大病变对比度和血管可见性。其次，本研究介绍了一种基于分数海森矩阵的注意力 U-Net（FHAU-Net），这是一种多尺度血管分割模型，利用跨越八个分数阶的分数海森矩阵响应和注意力引导的跳跃连接来捕获精细的血管结构。最后，本工作设计了一种双分支疾病分级模型 F2D-RetinaNet，该模型联合处理增强图像和血管图，以学习病变相关和血管特征表示，用于视网膜疾病的识别和分级。在包含分辨率、采集地点、相机类型和成像条件变化的统一测试集上，FHAU-Net 模型实现了 0.8987 的 Dice 系数、0.9084 的灵敏度、0.9804 的准确率和 0.9876 的特异性。F2D-RetinaNet 在糖尿病视网膜病变（DR）检测、DR 分级和多类视网膜疾病分类任务中进行了评估。广泛的测试和与基线方法的比较支持了所提方法在本文评估数据集上的可靠性。