《Computers》:PhysioSpeck-Net: Physics-Guided Feature Separation for Parameter-Efficient and Uncertainty-Aware Retinal OCT Classification Under Cross-Dataset Shift
编辑推荐:
用于光学相干断层扫描(OCT)分类的深度网络通常直接从图像外观学习,这使得相干散斑、深度依赖性衰减、点扩散函数模糊和折射畸变与病理特征纠缠在单一特征表示中。研究人员探究的是,在架构上显式地进行这种分离是否是一种有用的归纳偏置,而非其是否能提升基准准确率。Phy
用于光学相干断层扫描(OCT)分类的深度网络通常直接从图像外观学习,这使得相干散斑、深度依赖性衰减、点扩散函数模糊和折射畸变与病理特征纠缠在单一特征表示中。研究人员探究的是,在架构上显式地进行这种分离是否是一种有用的归纳偏置,而非其是否能提升基准准确率。PhysioSpeck-Net将共享主干表示路由到四个分支,这些分支与不同的OCT图像形成效应一一对应,通过跨分支注意力和物理引导门控重新组合它们,并用源自七层视网膜模拟器的辅助目标对其进行约束。该框架在一个包含1000张图像的平衡测试集上以及在不进行微调的来自第二个OCT数据源的1400张图像上进行了评估。在共同的训练协议下,该模型与显著更大的卷积和Transformer基线模型相比具有竞争力,同时仅使用880万个参数;但更具信息性的结果涉及可靠性:预测熵以0.9847和0.9688的错误检测AUC区分错误与正确预测,期望校准误差在两个数据集上均保持在4–5%附近,Grad-CAM++扰动分析表明归因忠实度是类别依赖的,而非均匀偏高。分布分析进一步表明模拟图像与临床图像之间存在残余差距。留一分支剔除和损失消融产生了一致的性能下降,配对显著性检验证实了相对于大多数常规基线模型的增益,重复图像控制分析未发现所评估数据集中存在精确或确认的近似重复图像。这些发现支持将物理引导的特征分离作为跨数据集偏移下视网膜OCT分类的一种紧凑且不确定性感知的策略。
论文解读:PhysioSpeck-Net:物理引导特征分离用于视网膜OCT分类
视网膜疾病是导致视觉损伤的重要原因,尤其黄斑区异常若未早期识别和治疗,可造成不可逆视力损害。光学相干断层扫描(OCT)能以微米级分辨率无创显示视网膜横断面结构,广泛用于脉络膜新生血管(CNV)、糖尿病性黄斑水肿(DME)、玻璃膜疣(DRUSEN)等疾病的诊断。基于深度学习的OCT分类虽已取得高准确率,但多数网络直接学习图像外观和标签,未显式利用OCT图像形成的物理过程。相干散斑、深度依赖性衰减、点扩散函数模糊和折射畸变等效应与病理特征纠缠在同一表示中,可能损害跨数据集泛化。因此,研究人员提出物理引导学习,将物理知识作为归纳偏置引入网络,以期在保持性能的同时提高可靠性和可解释性。
研究人员提出了PhysioSpeck-Net。网络由共享主干、四个物理引导分支(形态、边缘感知、散斑解耦、深度衰减)、跨分支注意力与物理引导门控、双轴视网膜上下文Transformer以及四个输出头组成。多任务目标包括焦点损失(focal loss)分类、边缘一致性、散斑鲁棒性、衰减轮廓、图像质量和域正则化。这些辅助目标来源于一个七层视网膜模拟器,该模拟器包含Beer–Lambert衰减、点扩散函数、相干散斑、折射畸变等成分。训练数据来自Kermany等公开数据集,包含83,484张图像,按分层划分75,135张训练、8349张验证,以及1000张平衡的Test 1。外部评估集为Naren构建的Retinal OCT Image Classification–C8数据集中筛选出的1400张图像(Test 2),仅含CNV、DME、DRUSEN、NORMAL四类,且不用于任何训练或调整。此外开展了重复图像审计、基线比较、消融分析、配对统计检验、不确定性评估、受控损坏实验、Grad-CAM++忠实性检验和计算效率分析。
主要关键技术方法概括如下:使用七层视网膜物理模拟器生成受控光学效应,并用于辅助损失;网络采用共享卷积主干后分支并行,分别提取形态、边缘、散斑和衰减特征,再用跨分支注意力和物理引导门控融合,经双轴轴向Transformer建模长程依赖;多任务损失联合优化;评估采用留一分支消融、损失消融、权重敏感性、配对McNemar检验、熵不确定性、Grad-CAM++扰动等。
结果部分:
6.1 分类结果:研究人员在Test 1上获得99.00%准确率,加权F
1为99.00%;在未微调的Test 2上准确率97.36%,F
1为97.35%,置信区间表明性能下降可测量但保留高水平。
6.2 重复控制审计:SHA-256、pHash/dHash与SSIM多阶段审计未发现精确或确认近似重复图像,排除了图像级泄漏。
6.3 基线对比:在共同训练协议下,PhysioSpeck-Net以8.80M参数取得最高准确率,优于多个更大卷积和Transformer基线。
6.4 配对显著性:Holm校正后对VGG-16、ResNet-50等五个基线显著改善,对ViT-B/16和OCT attention CNN差异不显著。
6.5 架构构建:在25%训练子集上逐步加入分支,准确率从94.41%升至98.76%,表明分支信息互补。
6.6 留一分支消融:移除任何分支均降低Test 1和Test 2性能,移除形态分支降幅最大(Test 1由99.00%降至97.95%)。
6.7 损失消融与权重敏感性:将focal loss换为交叉熵降低准确率;移除任一辅助项均导致性能下降;辅助损失权重在0.5×至1.5×范围内表现稳定,0×时最差。
6.8 模拟行为与真实-合成比较:水平滞后一相关接近(0.9728对0.9726),但散斑对比度、梯度能量等有差异,Kolmogorov–Smirnov统计量和Wasserstein距离表明分布仍可区分;参数敏感性实验确认模拟控制有效。
6.9 校准与不确定性:Test 1和Test 2的期望校准误差分别为0.0452和0.0430;错误预测的熵显著更高,错误检测AUC分别为0.9847和0.9688;温度缩放改善校准,MC dropout和集成进一步提高错误检测AUC但成本更高。
6.10 受控损坏鲁棒性:在Test 2的100张平衡子集上,原始准确率99%,高斯噪声下94%,模糊95%,散斑和低对比度均为97%。
6.11 Grad-CAM++忠实性与特征空间:掩膜前20%激活像素平均降低目标类别置信度