换一批摘要现有基于深度学习的糖尿病视网膜病变(DR)诊断模型虽然性能优异,但其性能提升常伴随模型复杂度增加,导致分类效率降低.对此,提出一种分类效果良好且高效的卷积神经网络CA-and-RepVGG.该模型以RepVGG为核心架构,结合坐标注意力(CA)机制捕获图像位置信息,增强特征提取能力以改善模型对视网膜病变程度的鉴别性能.所提模型在公开数据集上得到 94.8%的准确率、92.5%的精确度、97.4%的灵敏度,在临床数据集上得到 94.8%的准确率、90.0%的精确度、97.0%的灵敏度.相较于ResNet-50,所提算法的分类速度提升了12.2%.此外,通过消融实验验证了引入CA对模型特征细节提取的优化效果.实验结果表明,该模型在保持经典模型优异分类性能的基础上,显著提升了筛查效率,对实现视网膜病变的早期诊断与干预具有重要的临床意义.
更多相关知识
关键词
医用光学糖尿病视网膜病变分类深度学习注意力机制眼底图像medical opticsdiabetic retinopathy classificationdeep learningattention mechanismfundus image
栏目名称
DOI
10.3788/LOP251367
发布时间
2026-05-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
上海市科委产学研医项目（15DZ1940400）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
