基于VCANet-COP交叉鱼鹰算法的视觉感知增强技术：整合视觉技术提升糖尿病视网膜病变细微病变识别

《Journal of Imaging Informatics in Medicine》：Advancing Visual Perception Through VCANet-Crossover Osprey Algorithm: Integrating Visual Technologies

为解决糖尿病视网膜病变(DR)自动筛查中细微病变检测困难、计算复杂度高的问题，研究人员开发了基于视觉核心适应网络(VCANet)与交叉鱼鹰优化算法(COP)的创新模型。该研究通过模拟V1/V2/V4/IT多级视觉皮层功能，结合稀疏自编码器(SAE)实现像素级特征提取，在DR-Data、STARE等5个数据集上取得98.14%准确率、1.5秒执行时间的突破性成果，为临床DR筛查提供高效解决方案。

　　糖尿病视网膜病变(DR)作为威胁视力的重大疾病，亟需高精度、高效率的自动化筛查手段。针对传统深度学习(DL)模型在细微病变识别上的不足及高计算复杂度缺陷，这项研究创新性地提出视觉核心适应网络-交叉鱼鹰算法(VCANet-COP)。该模型突破性地模拟了人类视觉系统中V1、V2、V4及颞下皮层(IT)的多级处理机制，通过稀疏自编码器(SAE)在像素级别精准捕捉血管结构和病变特征。研究团队采用创新的鱼鹰优化算法(OOA)结合交叉策略，实现了网络超参数的高效调优，显著提升计算效率并加速模型收敛。在DR-Data、STARE、IDRiD、DRIVE和RFMID五大权威数据集上的测试表明，VCANet-COP以98.14%准确率、97.9%灵敏度、98.08%特异性的优异表现全面超越EDLDR等基线模型，同时将假阳性率(FPR)控制在2.0%，单次检测仅需1.5秒。这项技术突破为临床DR筛查提供了兼具高精度与实时性的智能解决方案，对推进眼科人工智能辅助诊断具有重要价值。