通过视网膜知识导向的动态多级特征集成进行基于眼底图像的青光眼筛查

虽然深度学习通过彩色眼底摄影实现了先进的自动青光眼筛查，但现有的纯粹数据驱动的模型常常过度拟合，导致混淆成像伪影，并且难以捕获位于预定义解剖边界之外的不可预测的病理线索。为了解决这些限制，我们提出了一种以视网膜知识为导向的框架，该框架将动态多尺度特征学习与特定领域的解剖先验相结合。所提出的架构采用三分支结构来联合建模全局视网膜环境、视杯和视盘的结构特征以及动态裁剪的病理区域。具体来说，我们设计了一种动态窗口机制（DWM），可以通过图像级监督自适应地发现具有诊断信息的补丁。此外，我们引入了知识增强卷积块注意力模块（KE-CBAM），它明确地结合了预先训练的基础模型 RETFound 中的视网膜先验来指导空间注意力，防止网络将虚假权重分配给不相关的背景噪声。对大规模 AIROGS 数据集的广泛评估表明，我们的方法实现了最先进的 AUC 98.5\%$ 和准确度 94.6\%$。更重要的是，解剖学先验的整合有效地减轻了固有的类别不平衡，显着提高了可转诊青光眼病例的检测。对 SMDG-19 基准的额外验证进一步证实了其卓越的跨域泛化能力，表明我们的贡献为现实世界的临床青光眼诊断提供了强大的、可解释的和可扩展的解决方案。我们的代码位于 https://github.com/magiczhuo/Glaucoma-Detection