RGAT:基于超像素特征层次的视网膜图注意力网络,用于与脉络膜血管疾病(CVD)相关的视网膜表型分类

《Pattern Recognition Letters》:RGAT: Retinal Graph Attention Networks with Superpixel Based Feature Hierarchies for CVD Associated Retinal Phenotype Classification

【字体: 大 中 小 】 时间:2026年04月28日 来源:Pattern Recognition Letters 3.3

编辑推荐:

  Sabyasachi Roy Barman|Md Kayser Ahmed Hridoy|R. Murugan 生物医学成像实验室,电子与通信工程系,印度阿萨姆邦西尔查尔国立理工学院,788010 摘要 心血管疾病(CVDs)仍然是全球主要的健康挑战,需要可扩展且无创的筛查策

  
Sabyasachi Roy Barman|Md Kayser Ahmed Hridoy|R. Murugan
生物医学成像实验室,电子与通信工程系,印度阿萨姆邦西尔查尔国立理工学院,788010

摘要

心血管疾病(CVDs)仍然是全球主要的健康挑战,需要可扩展且无创的筛查策略。视网膜眼底成像为系统血管健康提供了一个有前景的窗口,因为已建立的生物标志物(包括微动脉瘤、出血、渗出物和血管异常)与心血管风险增加有关。本文提出了一种结合Transformer注意力机制的混合图神经网络(GNN),用于从眼底图像中分类与CVD相关的视网膜表型。该框架使用SLIC分割将每张图像转换为基于超像素的图,并采用自适应面积缩放的K-最近邻(KNN)连接策略,从而在细粒度病变区域和较大血管模式之间保持解剖结构的完整性。GNN层捕获局部拓扑依赖性,而Transformer卷积模块增强了空间远距离区域的全局上下文表示。在包含14,254张公开可用的视网膜图像的大型聚合数据集上,该方法的测试准确率为95.37%,AUC为98%。留一数据集验证进一步证明了跨数据源的泛化能力,准确率在90%到92%之间,AUC值在96–98.6%之间。这些结果确立了该框架作为自动化CVD相关视网膜生物标志物检测的强大计算工具的地位,未来在无创风险筛查流程中具有潜在应用价值,有待前瞻性临床验证。

引言

心血管疾病(CVDs)是全球主要的死亡原因之一,每年导致约1800万人死亡[1]。早期诊断和及时干预对于减轻这些疾病的负担至关重要。然而,传统的诊断工具(如心电图(ECGs)、超声心动图、心脏MRI和冠状动脉造影)通常成本高昂、资源密集,并且在资源匮乏的环境中可用性有限[2],[3]。这些限制促使人们开发出无创、可扩展且成本效益高的心血管风险评估筛查策略。
由于其无创性质及其反映系统血管状况的能力,视网膜眼底成像已成为一种有前景的替代方案[4]。视网膜提供了直接评估微血管健康的独特机会。已经证明,包括微动脉瘤、出血、渗出物、血管口径变化和视盘异常在内的多种视网膜生物标志物与高血压、动脉粥样硬化、冠状动脉疾病和中风等一系列心血管疾病相关[5]。例如,微动脉瘤表明早期毛细血管损伤,通常与血压升高和中风风险相关,而出血和渗出物则是血管脆弱性和渗漏的迹象,常与缺血事件和心力衰竭相关。因此,这些视网膜特征是可用于自动化系统疾病筛查的关键指标[6],[7]。在本研究中,我们专注于与心血管风险相关的视网膜表型分类,而不是直接的临床CVD诊断。
深度学习的最新进展展示了视网膜眼底成像作为早期心血管疾病(CVD)风险评估无创工具的潜力。虽然基于CNN的模型显示出有希望的预测能力,但它们在明确建模不规则解剖拓扑和长距离空间关系方面可能存在局限性,而这对于准确的心血管风险评估非常重要[8],[9],[10]。
为了解决这些局限性,我们提出了一种混合图神经网络(GNN)模型,该模型整合了局部和全局视网膜特征以提高分类准确性。GNN通过将图像区域或解剖结构表示为节点并通过边编码它们的关系,为建模非欧几里得数据提供了自然灵活的框架。这种基于图的表示方式有助于更结构化地理解空间依赖性和形态连续性,这是分析视网膜血管和病变分布的关键属性[11]。此外,将GNN与基于Transformer的注意力机制结合使用,进一步增强了模型整合局部邻域信息和全局上下文线索的能力,从而提高了特征表示和区分能力[12]。
在这项工作中,我们提出了一种混合GNN-Transformer框架,用于从眼底图像中分类与CVD相关的视网膜表型。本研究的主要贡献总结如下:
  • •
    一种新颖的GNN-Transformer架构,用于从基于图的视网膜眼底数据中学习结构和语义信息,以进行CVD相关视网膜表型分类。
  • •
    一种基于超像素的图构建方法,采用面积缩放的自适应KNN连接策略,其中每个节点的边数取决于超像素区域的大小。这种方法保留了细小的病变细节和整体血管结构,同时减少了过度平滑现象,在视网膜图建模中尚未使用过。
  • •
    一个包含14,254张视网膜图像的大规模多源基准数据集,来自10多个异构的公共数据集,涵盖五个与CVD相关的视网膜生物标志物类别,标签策略基于将视网膜特征与心血管风险联系起来的既定临床证据。
  • •
    一种留一数据集验证策略,用于评估跨数据集的泛化能力,解决合并视网膜数据集之间的异质性和分布差异问题。
除了强大的预测性能外,所提出的框架还显示出竞争性的计算效率,支持大规模视网膜生物标志物分析的可扩展性。虽然本研究侧重于视网膜表型分类而不是直接的临床CVD诊断,但它为涉及确认的心血管结果数据和前瞻性多中心验证的未来研究提供了坚实的基于图的基础。
本文的其余部分组织如下。第2节回顾了使用视网膜眼底成像进行心血管疾病预测的最新研究。第3节详细介绍了所提出的方法,包括数据描述、图像预处理、基于超像素的图像到图的构建以及混合GNN架构。第4节描述了模拟设置、消融研究、比较分析和讨论。第5节总结了本文。

部分摘录

相关工作

最近的研究展示了使用深度学习和混合方法进行非侵入性心血管疾病(CVD)风险评估的潜力。Kayser等人[13]开发了一种16层CNN,用于从视网膜眼底图像中检测心血管疾病,训练准确率为94.4%,验证准确率为89.6%,AUC为97%,在学习视网膜模式方面表现出色。Poplin等人[14]开创了一种预测心血管风险因素的模型

方法论

我们提出了一种新颖的视网膜图注意力网络(RGAT),将视网膜眼底图像转换为图结构数据,用于心血管疾病(CVD)分类。该流程包括五个阶段:(1)数据集描述,(2)增强预处理以突出临床相关特征,(3)数据分割,(4)基于超像素的图构建及分层特征提取,(5)训练混合GNN。该模型整合了GCN、GAT和GraphSAGE层

实验结果

本节评估了所提出的混合GNN在从视网膜眼底图像中进行CVD分类方面的性能。我们详细介绍了实验设置,进行了消融研究以评估关键架构组件,并将我们的模型性能与最新方法进行比较,以验证其有效性。

结论

本文提出了一种混合图神经网络–Transformer框架,用于从眼底图像中分类与CVD相关的视网膜表型。该方法不是进行直接的临床CVD诊断,而是专注于识别已知与心血管风险相关的视网膜生物标志物。这将这项工作置于无创风险筛查研究的范围内,而不是明确的疾病诊断。
所提出的方法结合了基于超像素的图

未引用的参考文献

算法1和算法2。

CRediT作者贡献声明

Sabyasachi Roy Barman:撰写——原始草稿,软件,方法论,数据管理,概念化。 Md Kayser Ahmed Hridoy:撰写——原始草稿,软件,方法论,数据管理,概念化。 R. Murugan:撰写——审稿与编辑,可视化,监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号