《Biomedical Signal Processing and Control》：Advanced optical coherence tomography image analysis with a tri-path deep neural framework for enhanced retina disease detection and clinical interpretability
编辑推荐：
视网膜疾病检测方法创新研究，提出Tri-Path Optimized Dynamic Neural Network模型，通过空间特征、全局语境和频域三路径提取多级特征，结合动态特征融合模块和优化算法实现高效分类，准确率达98.82%和F1-score 97.48%。
Guruprakash B | R.M.R. Shamija Sherryl | Elangovan D | Bala Subramanian C
印度泰米尔纳德邦Kariapatti Pulloor的Sethu理工学院计算机科学与工程系（人工智能与机器学习方向）
摘要
利用最优相干断层扫描技术（Optimal Coherence Tomography），早期检测视网膜疾病是保护视力的有效方法。最近，已经引入了几种用于最优相干断层扫描分析的新机制。这些方法试图提高检测性能；然而，由于图像中复杂的结构模式，它们的特征提取过程仍然存在不足。视网膜成像分析在疾病检测任务中起着关键作用，但传统方法存在诸多挑战，包括特征提取效率低下、错误率较高以及处理时间过长。为了解决这些问题，本文提出了一种三路径优化动态神经网络（Tri-Path Optimized Dynamic Neural Network）。该模型通过多个数据集实现了高效的视网膜疾病检测效果。在数据收集阶段，使用了多个视网膜图像数据集作为输入。这些图像经过预处理和增强处理以获得准确的结果。在三路径提取器中，结合了空间特征路径、全局上下文路径和频域路径来有效提取关键区域的特征。该模型还采用了动态特征融合（Dynamic Feature Fusion）模块来整合这些提取的特征。优化后的动态神经网络能够对多个样本进行有效分类，改进的巨型Trevally优化器（Improved Giant Trevally Optimizer）确保了参数调整的准确性，从而提升了性能。可视化技术进一步提高了临床结果的可靠性，准确率达到98.82%，F1分数为97.48%。这些结果表明，所提出的方法足以胜任视网膜疾病的检测任务。
引言
视觉障碍不仅影响个人的生活质量和生产力，还关系到身体健康、心理健康和社会关系[1]。全球有数百万人患有视网膜疾病，如果未能在早期发现和治疗，可能会导致视力丧失[2]。在极少数情况下，视盘玻璃膜疣（Optic disc drusen）可能引发脉络膜新生血管（choroidal neovascularization）等并发症[3]。通过早期检测并治疗视网膜疾病，可以有效防止患者出现视力丧失。光学相干断层扫描（Optical Coherence Tomography, OCT）是一种非侵入性的成像技术，有助于检测视网膜疾病[4]。人工智能（Artificial Intelligence, AI）通过深度学习（Deep Learning, DL）为医疗保健领域带来了显著改进。虽然已经开发出多种检测方法来提升视网膜疾病检测的效率[5]，但这些方法的主要缺点是耗时且成本较高。因此，本研究提出了一种新的方法——三路径优化动态神经网络（Tri-Path Optimized Dynamic Neural Network, TP-ODNN）用于视网膜疾病检测。在提取多级特征时，采用了三路径特征提取器（Tri-Path Feature Extractor），并通过动态特征融合（Dynamic Feature Fusion, DFF）有效利用这些特征。权重调整过程使用了改进的巨型Trevally优化器（Improved Giant Trevally Optimizer, IGTO），梯度加权类别激活映射（Gradient-Weighted Class Activation Mapping, Grad-CAM）用于突出显示受疾病影响的区域。
- •
高效框架：
本研究提出了一种基于先进特征提取器的新型TP-ODNN模型，用于有效识别视网膜疾病。
高效特征整合：
所提出的框架通过DFF实现了相关特征的有效整合。
•高效优化过程：
与传统优化算法相比，IGTO通过有效的权重优化实现了更快的收敛速度。
•临床可信度：
该方法采用Grad-CAM可视化技术展示视网膜图像中的受影响区域。
•优异性能：
实验结果表明，所提出的模型在各项指标上均表现优异。
其余部分内容如下：第2节讨论了相关研究，第3节介绍了提出的方法论，第4节展示了全面的评估结果，第5节总结了研究结论及未来的研究方向。
文献综述
Laouarem等人[6]通过构建混合模型实现了视网膜疾病的检测。该模型利用残差深度逐点卷积网络（Residual Depthwise-Pointwise ConvNet, RDP-ConvNet）有效捕获了局部特征和远距离依赖关系信息。Kayadibi等人[7]提出了经过微调的卷积神经网络（Retinal Fine-Tuned Convolutional Neural Networks, R-FTCNN）模型用于视网膜疾病检测。
提出的方法论
TP-ODNN模型的整体架构如图1所示。研究使用了OCT图像平衡版本（数据集1）和视网膜OCT图像（数据集2）来收集数据。预处理步骤旨在提升图像质量并确保特征提取的可靠性。数据增强技术用于扩充训练样本。该模型在分类脉络膜新生血管（Choroidal Neovascularization, CNV）、糖尿病性黄斑水肿（Diabetic Macular Edema, DME）和视盘玻璃膜疣（DRUSAN）等方面表现出良好效果。
结果与讨论
本节介绍了TP-ODNN方法在视网膜疾病检测方面的实证评估结果。
结论
本研究提出了一种有效的视网膜疾病检测方法——TP-ODNN。该方法利用OCT图像数据集进行检测，并对输入图像进行预处理。模型采用独特的三路径策略，动态融合并优化多级特征，以捕捉细微病变特征和宏观结构模式。实验结果基于两个数据集得出。所提出模型的效率得到了验证。
CRediT作者贡献声明
Guruprakash B：项目管理、方法论设计、数据分析、概念构思。
R.M.R. Shamija Sherryl：方法论制定、研究实施、资金筹措。
Elangovan D：软件开发与资源管理。
Bala Subramanian C：文本撰写与编辑、初稿撰写、可视化处理、数据分析。
知情同意
不适用。
不适用。
不适用。
不适用。
作者声明没有可能影响本文研究结果的已知财务利益或个人关系。
不适用。
