Fundus image-based glaucoma screening via retinal knowledge-oriented dynamic multi-level feature integration

Liu, Chi

doi:10.1016/j.knosys.2026.116585

Fundus image-based glaucoma screening via retinal knowledge-oriented dynamic multi-level feature integration

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116585

原文链接

原文求助

摘要

En 中文

尽管深度学习已通过彩色眼底照片实现了青光眼的自动化筛查，但现有的纯数据驱动模型往往过度拟合混杂的成像伪影，并难以捕捉超出预定义解剖边界的不确定病理线索。为解决这些局限性，我们提出了一种以视网膜知识为导向的框架，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，联合建模全局视网膜上下文、视杯和视盘的结构特征以及动态裁剪的病理区域。具体而言，我们设计了一种动态窗口机制（DWM），通过图像级监督自适应地发现具有诊断信息的图像块。此外，我们引入了一种知识增强的卷积块注意力模块（KE-CBAM），明确融入预训练基础模型RETFound的视网膜先验，以指导空间注意力，防止网络将虚假权重分配给无关背景噪声。在大型AIROGS数据集上的广泛评估表明，我们的方法实现了98.5%的AUC和94.6%的准确率，达到了当前最佳水平。更重要的是，解剖先验的整合有效缓解了固有的类别不平衡，显著提高了可参考青光眼病例的检测。在SMDG-19基准上的额外验证进一步证实了其跨域泛化的优越性，表明我们的贡献为现实临床青光眼诊断提供了一种稳健、可解释且可扩展的解决方案。我们的代码可在https://github.com/magiczhuo/Glaucoma-Detection获取。

Keyword:

Glaucoma screening

Retinal foundation model

Knowledge-enhanced attention

Dynamic feature integration

Fundus image-based glaucoma screening via retinal knowledge-oriented dynamic multi-level feature integration

摘要

期刊

机构

引用论文