基于 SD-OCT 图像的新型 CNN 模型：为糖尿病视网膜病变检测开启精准医疗新征程

为解决糖尿病视网膜病变（DR）预测复杂及眼底图像病灶定位困难的问题，研究人员开展了基于模糊池化卷积神经网络架构的研究。该模型在 DR 检测和病灶定位上准确率达 98.85% ，计算时间仅 16.54 秒，为医学影像应用提供了有力方案。

糖尿病视网膜病变（Diabetic Retinopathy，DR）患者因长期高血糖，常面临不可逆的视力丧失风险。在当代医学影像领域，预测糖尿病视网膜病变并在眼底图像中精准定位病灶颇具挑战。研究人员提出一种基于模糊池化的卷积神经网络（Convolutional Neural Network，CNN）架构，用于识别 DR 并定位病灶。该架构先对光谱域光学相干断层扫描（Spectral Domain Optical Coherence Tomography，SD-OCT）视网膜图像进行预处理，提升图像质量和泛化能力，再将提取的特征分为糖尿病视网膜病变、正常、黄斑裂孔、中心性浆液性视网膜病变、年龄相关性黄斑变性等类别。研究采用交叉增强斑鬣狗优化算法寻找复杂优化问题的理想配置。通过混淆矩阵、定量分析等综合实验评估性能，该模型在 DR 检测和病灶定位上准确率高达 98.85% ，计算时间最短为 16.54 秒，精度达 98.32% ，特异性为 97.87% ，F1 分数为 98.17% ，优于其他方法。此架构有效解决了 DR 检测和病灶定位的关键难题，为医学影像应用提供了可靠方案，其适应性和增强的特征表示推动了视网膜疾病诊断的进步，为自动化医疗系统的未来发展奠定基础。