《Computers and Electrical Engineering》：Shuffle fuzzy attention network for glaucoma detection from fundus images
編輯推薦：
青光眼檢測方法采用ShuffleFA-Net模型，結合Shuffle Attention Network、Taylor級數與ANFIS系統，通過ROI提取、CLAHE增強、SimpleCNN-UNet分割及HOS等特征分析，在K=8時實現94.0%準確率。
Srividya Kotagiri | Suresh Kumar Krishnamoorthy | Vijay Anand Mahadevan | Suganthi Nagarajan
計算機科學與工程-人工智能與機器學習系，GMR技術學院（GMRIT）——被認定為大學，Rajam，安得拉邦532127，印度
摘要
為了防止視力喪失，早期診斷非常重要；因此，本文提出了一種名為Shuffle Fuzzy Attention Network (ShuffleFA-Net) 的方法，利用視網膜底片圖像來識別青光眼。該過程首先獲取原始的底片輸入圖像，這些圖像通常包含背景區域。預處理階段從提取感興趣區域（ROI）開始，以隔離視盤區域。預處理之后，使用對比度受限自適應直方圖均衡化（CLAHE）技術對圖像進行增強。圖像增強完成后，利用Simple Convolutional Neural Networks-UNet (SimpleCNN-UNet) 對視盤進行分割。接著，使用帶有Top-k損失函數（SimpleCNN-UNet_Top-KLF）的SimpleCNN-UNet對血管進行分割。分割后，從分割后的輸入圖像中提取關鍵特征，如高階譜（HOS）和統計特征，如平均值、平滑度、三階矩、均勻性和垂直杯盤比（CDR）。最后，使用ShuffleFA-Net進行青光眼檢測，這是一種結合了Shuffle Attention Network (SA-Net)、泰勒級數和自適應神經模糊推理系統（ANFIS）優勢的混合模型。當K值為8時，ShuffleFA-Net的準確率為94.0%，真正例率為95.7%，真正例率為91.7%。
引言
全球范圍內，青光眼是導致永久性視力喪失的主要原因之一。據估計，到45歲時，約有3.5%的人受到青光眼的影響，相當于全球約6430萬人。隨著世界人口的增長和老齡化，這一數字預計到2020年將達到8000萬，到2040年將達到1.118億[1]。青光眼會損害視神經，最終可能導致完全失明，尤其是在雙眼都受影響的情況下。由于病情進展迅速且早期癥狀不明顯，青光眼被稱為“視力的小偷”。患者往往在身體受到嚴重損害后才會意識到自己患病[2]。青光眼主要分為開角型和閉角型兩種類型。它的發展過程通常是漸進且無痛的，往往直到病情進入晚期癥狀才會顯現。相比之下，閉角型青光眼會突然發作，表現為眼痛、紅腫、惡心和嘔吐等癥狀，這是由于眼內壓（IOP）迅速升高所致。這種形式屬于醫療緊急情況，需要立即處理[3]。此外，大多數視力喪失病例都是由青光眼引起的，而通過及時診斷和適當治療是可以預防的[1]。目前使用了多種診斷工具和監測測試來檢測這種威脅視力的疾病的發病情況并跟蹤其進展[4]。如果能在早期階段診斷出青光眼，及時治療可以有效減緩病情發展并防止視力喪失[1]。
大規模青光眼篩查中最有前景且非侵入性的方法之一是使用視網膜底片圖像，這是一種簡單而強大的診斷工具[5]。視網膜底片圖像是高分辨率的照片，能夠直接顯示眼睛內部的結構和病理特征，如視盤、黃斑、中央凹、血管、出血、小動脈、小靜脈、滲出物和微動脈瘤[6]。除了在眼科中的應用外，視網膜底片圖像最近還顯示出在檢測系統性疾病（如2型糖尿病、貧血和心血管疾病）方面的潛力，使其成為更廣泛醫學診斷中的寶貴資源[7]。這些視網膜底片圖像是通過眼底相機拍攝的，這種光學設備結合了顯微鏡和閃光燈功能，可以詳細觀察眼睛的后部[8]。視盤是神經節細胞軸突離開眼睛并將視覺信號傳遞到大腦的區域[9]。作為最亮的區域，視盤在評估青光眼相關損傷中起著關鍵作用。手動分割工作量大且容易出錯。為了解決這個問題，引入了多種自動化分割方法，包括模板匹配、可變形模型和逐像素分類策略[10]。因此，準確的視盤和視杯分割已成為許多計算機輔助眼病篩查系統的初始預處理步驟。圖1展示了突出顯示關鍵解剖結構的樣本底片圖像，包括視盤和視杯。圖1(a)顯示了原始的底片圖像，而圖1(b)和圖1(c)分別展示了分割后的視杯和視盤，以便更好地理解這些結構。
深度學習（DL）模型的進步使得自動視盤分割實現了高精度和可靠性，在醫學成像研究領域引起了廣泛關注[11]。人工智能（AI）是計算機科學的一個子領域，致力于設計能夠復制傳統上由人類認知能力完成的系統。機器學習（ML）使系統能夠從數據中學習，發現潛在模式，并在幾乎不需要人工監督的情況下自主執行決策任務。這種數據驅動的方法使ML成為跨多個領域分析和解決問題的強大工具。DL是ML的一個專門子集，它利用受人類大腦結構和功能啟發的神經網絡（ANN）來建模復雜的數據關系[12]。近年來，DL在提取豐富抽象特征方面取得了顯著成效，極大地推動了計算機視覺任務的發展。卷積神經網絡（CNN）[13]在圖像分類和對象分割方面取得了顯著成功，是醫學成像分析中的主要工具。在眼科成像中，DL系統在檢測糖尿病視網膜病變方面表現出敏感性和特異性[14]。此外，許多研究表明，DL技術能夠可靠地檢測特定疾病并評估各種眼部疾病的嚴重程度，包括糖尿病視網膜病變、年齡相關性黃斑變性和青光眼[15]。這些技術展示了AI在現代眼科和診斷成像中的潛力[13]。本文旨在開發一種名為ShuffleFANet的方法來檢測青光眼。首先從數據庫中獲取視網膜圖像，并對其進行處理以確保質量一致，然后使用對比度受限自適應直方圖均衡化（CLAHE）技術進行增強。增強后，使用Simple Convolutional Neural Networks-UNet (SimpleCNN-UNet)基于視盤進行分割。同樣，使用帶有Top-k損失函數（SimpleCNN-UNet_Top-KLF）的SimpleCNN-UNet進行血管分割。這里，SimpleCNN-UNet通過名為Top-KLF的損失函數進行訓練。分割后，從分割后的圖像中提取高階譜（HOS）、統計特征和杯盤比（CDR）特征。最后，使用ShuffleFANet進行青光眼檢測，該模型結合了Shuffle Attention Network (SA-Net)、泰勒級數和自適應神經模糊推理系統（ANFIS）。
本文的主要目的如下：
開發用于檢測青光眼的ShuffleFANet： 在這篇研究中，使用提出的ShuffleFANet進行青光眼檢測，該模型結合了SA-Net、泰勒級數和ANFIS。SA-Net通過高效提取關鍵的空間-通道特征來提高青光眼檢測的準確性；泰勒級數增強了非線性視網膜特征的精細度；ANFIS則通過自適應模糊推理準確處理不確定或重疊的模式。通過結合這些組件，ShuffleFANet的準確率為93.99%，真正例率為95.65%，真正例率為91.65%，顯示出比傳統DL方法更優越的性能，證實了這種多模型整合在青光眼檢測中的有效性。
本文的結構如下：第2節回顧了現有青光眼檢測方法的優點和局限性。第3節深入探討了ShuffleFANet框架。第4節描述了數據庫，并報告了使用ShuffleFANet獲得的結果。最后總結了關鍵結果，并討論了未來研究和改進的方向。
章節片段
文獻綜述
本節回顧了基于視網膜底片圖像的青光眼檢測的最新研究，詳細文獻分析總結在表1中。
現有的青光眼檢測方法面臨多個挑戰，包括計算需求高、依賴于大量的逐像素注釋以及由于缺乏自動化參數調整而導致的可擴展性有限。許多方法沒有結合可解釋的AI技術、先進的深度學習模型或模糊/半監督學習方法
提出的基于視網膜底片圖像的Shuffle模糊注意力網絡用于青光眼檢測
本研究的目標是利用深度學習框架（特別是Shuffle Fuzzy Attention Network (ShuffleFA-Net)）開發一種青光眼檢測方法。首先從數據庫中獲取輸入的視網膜底片圖像，并經過預處理階段，其中提取感興趣區域（ROI）以隔離視盤區域。這確保了后續步驟集中在臨床重要的區域，同時減少了無關信息的干擾
結果與討論
在本節中，我們報告了通過ShuffleFA-Net框架實現的青光眼檢測結果，強調了其性能和有效性。
結論
本文概述了一種利用深度學習和混合智能技術檢測視網膜底片圖像中青光眼的自動化系統。該過程從預處理開始，通過ROI提取隔離視盤以減少背景干擾。然后應用CLAHE增強圖像對比度并突出顯示臨床相關結構。使用SimpleCNN-UNet模型進行視盤分割，隨后使用帶有Top-k損失函數的SimpleCNN-UNet進行血管分割
