#自监督学习

多频上下文注意力模块在糖尿病视网膜病变分类中的应用

糖尿病视网膜病变（DR）是全球视觉障碍的主要原因之一，早期准确诊断对于有效干预至关重要。为解决标记训练数据有限、难以识别细微和分散的病灶以及视网膜图像中冗余特征提取的问题，本文提出了一种基于多频上下文注意力模块（MFCA-DRNet）的DR分类网络。首先，通过在EyePACS数据集上预训练自监督对比学习策略，消除了对大量标记数据的依赖，并实现了有效的特征学习。其次，设计了一种结合直方图均衡化与非局部均值去噪的自适应预处理方法，以减少噪声并提高病灶可见性。提出的MFCA模块能够有效捕捉长距离上下文关系，并关联视网膜图像中的分散病灶特征，显著增强病灶识别能力。此外，骨干网络还引入了由能量函数引导的注意力机制，强调病灶特异性特征，同时抑制无关信息。在DDR、APTOS 2019和Messidor-2数据集上的下游分类任务评估中，MFCA-DRNet表现出色，特别是在APTOS 2019数据集中，其准确性、精确度、召回率等指标均达到较高水平。