《Biomedical Signal Processing and Control》：Automatic diabetic retinopathy classification using probabilistic spiking heterogeneous dynamic graph network with hyperbolic sine optimizer
编辑推荐：
摘要糖尿病视网膜病变（DR）是导致视力丧失的主要原因，需要准确且早期的检测以实现有效治疗。然而，现有的自动方法往往存在泛化能力有限、特征表征能力薄弱以及优化效率不高等问题。为克服这些问题，本文提出了一种新的基于双曲正弦优化器的概率脉冲异构动态图网络（PSHDGNet-HSO）
摘要
糖尿病视网膜病变（DR）是导致视力丧失的主要原因，需要准确且早期的检测以实现有效治疗。然而，现有的自动方法往往存在泛化能力有限、特征表征能力薄弱以及优化效率不高等问题。为克服这些问题，本文提出了一种新的基于双曲正弦优化器的概率脉冲异构动态图网络（PSHDGNet-HSO），用于从眼底图像中自动检测糖尿病视网膜病变。该架构结合了基于图的关系学习与概率脉冲神经元计算，以理解视网膜不同区域之间复杂的相互作用，同时双曲正弦优化器确保了最优的参数调整。该算法通过包含三个主要活动的系统化工作流程在APTOS数据集上测试其性能，即预处理与分割、特征提取以及分类。实验结果表明，该方法在之前研究的基础上取得了改进，达到了更高的准确性和精确率。
引言
糖尿病疾病的早期检测和评估对任何医疗系统都非常重要，因为它可以更好地管理护理和治疗。除了糖尿病之外，还有很多其他疾病。糖尿病的症状包括血液中的葡萄糖水平升高，最终会影响人体的所有器官[1]。糖尿病视网膜病变是糖尿病的一种严重并发症，如果不及时管理，可能会导致失明。糖尿病视网膜病变是由糖尿病引起的，全球约有5.37亿人受到糖尿病的影响[2]。根据视网膜是否有新的血管生长，糖尿病视网膜病变在临床上分为两个主要阶段，分别称为非增殖期视网膜病变和增殖期视网膜病变[3]。糖尿病视网膜病变之所以被认为是一种"沉默的疾病"，是因为患者直到病情发展到难以治疗的阶段，都不知道自己视网膜的健康状况[4]。在医学应用中应用计算机辅助诊断（CAD）的关键优势之一，是对视网膜疾病的识别和分类[5]。当糖尿病视网膜病变未得到治疗时，尽管在早期阶段没有明显症状，但仍有很大可能导致永久性损害，最终可能导致失明甚至部分失明[6]。糖尿病视网膜病变的严重程度通常基于视网膜图像，使用深度学习（DL）和机器学习（ML）算法进行测量。然而，这些方法需要适当的图像处理和特征提取方法才能获得最佳结果，尤其是在处理来自不同来源的视网膜照相图像时[7]。当作为辅助决策的系统使用时，为分析和分类、诊断糖尿病视网膜病变而开发的智能自动化学习和决策系统能够在疾病的初始阶段检测出该疾病[8]。该方法应用了两阶段管道框架来执行糖尿病视网膜病变分级任务，尽管它比单阶段技术更复杂。尽管卷积神经网络（CNN）模型在检测糖尿病视网膜病变分级方面取得了成功的性能，但它们在临床中的实际应用仍然不切实际[9]。尽管糖尿病视网膜病变的检测和分类存在挑战，但科学家们因其对视网膜疾病筛查的重大影响而对此给予了强调。科学家们经常在诊断糖尿病视网膜病变时应用视网膜眼底成像、光学相干断层扫描（OCT）和光学相干断层血管造影（OCTA）[10]。由于没有定制的风险模型可以预测疾病的发展，治疗糖尿病视网膜病变变得相当困难。通过其在评估风险和预测疾病进展方面的应用，该模型的创建将使糖尿病视网膜病变的治疗具有开创性意义[11]。糖尿病视网膜病变是血液中葡萄糖水平过高导致视网膜血管阻塞和该区域血液供应不足的结果。作为应对，身体会产生新的血管，但这些血管发育不良并开始退化。简而言之，糖尿病视网膜病变导致视网膜中扩大的血管泄漏液体和出血，引起视力受损或视觉问题[12]。视力丧失是该疾病最严重形式的一个可能结果，而通过早期识别糖尿病视网膜病变可以降低其发生的风险[13]。虽然不是主要诊断目标所必需的，但这些细微差别可能导致模型过拟合。这种过拟合可能会降低模型应用于具有不同随机属性的其他数据集时的价值[14]。然而，在实际的糖尿病视网膜病变筛查项目中，当不同种族群体参与并使用不同的相机拍摄视网膜眼底图像时，其性能是不确定的。这些因素影响了这些系统的功能，并继续对其广泛采用构成问题[15]。
糖尿病视网膜病变的早期诊断是预防永久性失明的关键。早期诊断可以促使采取临床措施，如严格控制血糖水平、定期检查眼睛、激光治疗以及向玻璃体注射抗VEGF药物等，这些措施可以延缓或阻止疾病的恶化。然而，晚期诊断可能导致视力受损或失明，因此治疗变得困难且无效。因此，准确且自动化的早期诊断系统可以帮助眼科医生及时做出决策并进行大规模筛查，特别是在资源有限的地区。临床结果的解读应由合格的眼科医生进行。尽管本研究专注于计算模型开发，但所提出的框架旨在支持而非取代临床诊断和医学专业知识，其输出可由眼科医生解读以制定适当的治疗计划。
章节摘录
创新性与贡献
所提出的PSHDGNet-HSO框架的创新之处在于引入了一种统一的基于图的概率脉冲学习范式，用于糖尿病视网膜病变分类，克服了传统以CNN为中心的方法的局限性。贡献可以简要描述如下：
- •
开发了基于MSRS-HAKF的预处理方法，用于提高眼底图像质量以及解决临床环境中的噪声数据问题。
- •
应用CT-UNet以提取两者
文献综述
本节回顾了自动化糖尿病视网膜病变识别的最新进展，重点介绍了以优化为驱动的的诊断框架、深度学习和混合学习。
Butt等人[16]证明了一种行之有效的特征提取过程。该技术结合了迁移学习（TL）和卷积神经网络（CNN）。它有助于从眼底图像中识别糖尿病视网膜病变。混合特征向量的组合带来了更高的
研究空白分析与动机
尽管在糖尿病视网膜病变检测方面取得了重大进展，但现有研究主要依赖于卷积神经网络、CNN-SVM混合模型或轻量级深度学习架构。虽然这些方法取得了令人满意的准确率，但仍存在几个未解决的局限性。首先，大多数方法独立学习特征，而不建模视网膜区域之间的结构关系，导致上下文理解薄弱。其次，现有框架很少结合
提出方法
所提出的PSHDGNet-HSO框架用于利用APTOS数据集的眼底图像自动进行糖尿病视网膜病变（DR）分类。预处理阶段涉及应用MSRS-HAKF方法来去除噪声和校正光照变化，从而增强图像质量。对这些预处理后的图像进行基于卷积变换器的U-Net（CT-UNet）分割，以精确识别具有临床相关性的视网膜区域。该
结论
所提出的PSHDGNet-HSO模型被认为是APTOS数据集中自动糖尿病视网膜病变分类的高效方案。它结合了预处理技术MSRS-HAKF、分割技术CT-UNet、特征提取技术DQQPFT、特征选择技术SF-WOA以及分类技术PSHDGNet（使用HSO进行优化）。实验证明，所提出的方法具有高效性，其准确率水平为99.9%，精确率为99.8%。这
CRediT作者贡献声明
D. Vidyabharathi：. D.Khalandar Basha：. Sreedhar Kollem：撰写——审阅与编辑，撰写——原稿，可视化，验证，监督，软件，资源，项目管理，方法学，调查研究，资金获取，形式化分析，数据整理，概念化。 E. Mohan：。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。
D. Vidyabharathi|D.Khalandar Basha|Sreedhar Kollem|E. Mohan
