Key points are not available for this paper at this time.
A retinopatia diabética (RD) é uma complicação ocular do diabetes e seu grau é uma base essencial para o diagnóstico precoce dos pacientes. O diagnóstico manual é um processo longo e caro, com um risco específico de erro de diagnóstico. O diagnóstico auxiliado por computador pode fornecer recomendações de tratamento mais precisas e práticas. Neste artigo, propomos um modelo de diagnóstico de RD chamado RT2Net, que integra as características globais das imagens de fundo e as características detalhadas locais das imagens vasculares para reduzir as limitações do aprendizado a partir de uma única imagem de fundo. Primeiro, a imagem original é pré-processada usando operações como equalização de histograma adaptativa com limite de contraste, e a estrutura vascular da imagem de RD extraída é segmentada. Em seguida, a imagem vascular e a imagem de fundo são inseridas em duas redes de ramificação do RT2Net para extração de características, respectivamente, e o módulo de fusão de características funde adaptivamente os vetores de características gerados pelas redes de ramificação. Finalmente, o modelo de classificação otimizado é usado para identificar as cinco categorias de RD. Este artigo realiza extensos experimentos em conjuntos de dados públicos EyePACS e APTOS 2019 para demonstrar a eficácia do método. A precisão do RT2Net nos dois conjuntos de dados atinge 88,2% e 85,4%, e a área sob a curva característica de operação do receptor (AUC) é de 0,98 e 0,96, respectivamente. A excelente capacidade de classificação do RT2Net para RD pode ajudar significativamente os pacientes a detectar e tratar lesões precocemente e fornecer aos médicos uma base de diagnóstico mais confiável, o que tem um valor clínico significativo para o diagnóstico de RD.
Xu et al. (Sat,) estudaram esta questão.