基于分形谢尔宾斯基三角形分割的视网膜青光眼检测方法及优化后的混合深度学习模型

《Scientific Reports》：Fractal Sierpinski triangle block division for retina-based glaucoma detection using an optimized hybrid deep learning model

　　

摘要

青光眼是导致永久性视力丧失的主要原因之一，而且往往在无人察觉的情况下逐渐恶化。因此，尽早发现青光眼以阻止视力下降至关重要。手动评估视网膜图像需要耗费大量精力，且容易因评估者差异而出现偏差。为解决这些问题，本文提出了一种新的自动检测青光眼的方法。该方法结合了基于分形理论的谢尔宾斯基三角形空间分解技术与多尺度三角形分割技术，能够准确识别视网膜上具有临床意义的区域。通过从这些区域提取统计信息、频域数据、小波分析数据、形态学数据以及纹理均匀性数据等特征描述符，可以全面细致地展现视网膜结构。该系统还采用了混合深度学习架构，融合了双向LSTM、双向GRU、CNN以及带有注意力层的Bi-LSTM模型，从而捕捉时空关联，并突出对诊断至关重要的视觉特征。此外，还运用了哈里斯霍克斯优化器、灰狼优化器、红狐优化器和社会特征优化器等多种元启发式算法来优化特征选择，其中基于哈里斯霍克斯优化器的方案效果最佳。通过多种基准数据集的测试，该系统的性能十分优异：在Drishti-GS数据集上的准确率为98.48%，在Origa数据集上为98.99%，在RimOne-V2数据集上为97.44%，在HVD Binary-Class数据集上为97.80%，在HVD-Advance数据集上为99.02%，在HVD-Early数据集上为98.05%，在HVD Multi-Class数据集上为97.11%。该系统在青光眼诊断中表现出极高的可靠性和稳定性，能够在不同数据集上保持一致的性能。它提供了一种可扩展、无创且高效的自动检测解决方案，有助于医生及早进行治疗，提升患者的康复几率。