面向白内障识别的临床特征校准注意力网络

• Published in: 计算机工程与应用 Vol. 60; no. 3; pp. 321 - 330
• Main Authors: 章晓庆, 肖尊杰, 赵宇航, 巫晓, 东田理沙, 刘江
• Format: Journal Article
• Language: Chinese
• Published: 南方科技大学 广东省类脑智能计算重点实验室,广东 深圳 518055 01.02.2024; Tomey公司,日本 名古屋 4510051%南方科技大学 计算机科学与工程系,广东 深圳 518055; 南方科技大学 斯发基斯可信自主系统研究院,广东 深圳 518055%南方科技大学 计算机科学与工程系,广东 深圳 518055%南方科技大学 计算机科学与工程系,广东 深圳 518055; 南方科技大学 斯发基斯可信自主系统研究院,广东 深圳 518055; 南方科技大学 计算机科学与工程系,广东 深圳 518055
• Subjects: convolutional neural network(CNN); visualization; 卷积神经网络; 可视化; anterior segment optical coherence tomography(AS-OCT); 眼前节光学相干断层成像; age-related cataract classification; clinical-feature recalibration attention; interpretability; 年龄相关性白内障分类; 临床特征校准注意力模块; 可解释性
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2210-0158

TP391; 近年来,卷积神经网络(convolutional neural network,CNN)模型已经被广泛用于年龄相关性白内障自动分类任务,然而,鲜有研究工作将年龄相关性白内障的临床先验知识注入卷积神经网络架构设计中,以此来提高年龄相关性白内障的分类效果和改善模型决策过程的可解释性.提出了一种临床特征校准注意力网络(clinical feature recalibration attention network,CFANet)模型用于自动识别年龄相关性白内障严重级别.在CFANet中,设计了一个简单且有效的临床特征校准注意力模块(clinical feature recalibration attention block,CFA),其不仅能对不同临床特征类型进行自适应地加权融合,还通过门控操作符来突出重要通道和抑制不重要通道.在一个核性白内障的眼前节光学相干断层成像影像(anterior segment optical coherence tomography,AS-OCT)数据集和一个公开眼科影像数据集上进行了充分实验,实验结果表明,相较于squeeze-and-excitation network(SENet)、efficient channel network(ECANet)、style-based recalibration module(SRM),CFANet在AS-OCT数据集上的分类准确率至少提升了3.54个百分点,同时在公开的眼科影像数据集上的分类结果比先进的神经网络模型和已发表的研究工作提升了1个百分点以上.此外,还通过可视化方法分析临床特征的权重分布和通道的注意力权重分布来提高该文模型决策过程的可解释性.