编辑推荐：
深度学习算法检测黄斑水肿（ME）时因标注数据不足受限。研究人员提出 DIO-RegNet，用高斯自适应双边滤波器预处理图像，经 Modified DeepLabV3+、RegNet 处理，再用 Dingo 优化算法分类。该模型检测准确率达 99.44%，为 ME 诊断提供新方案。
在人类视觉系统中，视网膜就像一台精密的 “图像传感器”，负责捕捉光线并转化为神经信号传递给大脑，让我们得以看清这个五彩斑斓的世界。而黄斑，作为视网膜上至关重要的区域，更是承担着精细视觉和色觉的关键任务。然而，黄斑水肿（Macular Edema，ME）这一 “健康杀手” 却悄然威胁着人们的视力。ME 是指视网膜黄斑区域出现液体积聚，导致视网膜增厚的病症，是糖尿病视网膜病变（Diabetic Retinopathy，DR）、年龄相关性黄斑变性等多种眼部疾病的常见症状。如果不能及时发现和治疗，ME 可能会严重损害视力，甚至导致失明。
随着医学成像技术的飞速发展，光学相干断层扫描（Optical Coherence Tomography，OCT）为 ME 的诊断提供了有力的工具。OCT 能够无创地获取视网膜的高分辨率图像，帮助医生清晰地观察到视网膜内部的结构和液体分布情况。但在利用深度学习（Deep Learning，DL）算法进行 ME 检测时，却遇到了难题。由于 ME 病例的标注数据获取困难，深度学习模型容易出现过拟合现象，无法很好地对不同临床病例进行准确判断。此外，一些传统的深度学习网络，如卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆网络（Long Short-Term Memory，LSTM）等，虽然在疾病检测中有所应用，但它们的计算复杂度较高，需要大量的计算资源和较长的处理时间，限制了其在实际临床中的广泛应用。
为了解决这些问题，来自多个研究机构的研究人员（具体单位未明确）开展了一项关于 ME 早期检测的研究。他们提出了一种全新的 DIO-RegNet 模型，旨在提高 ME 检测的准确性和效率，为临床诊断提供更可靠的支持。该研究成果发表在《Biomedical Signal Processing and Control》上，为眼科疾病的诊断带来了新的希望。
研究人员在研究过程中运用了多种关键技术方法。首先，他们从收集的数据集获取输入的 OCT 图像，利用高斯自适应双边滤波器对图像进行预处理，去除图像中的噪声，提升图像质量。接着，将去噪后的图像输入到改良的 DeepLabV3 + 模型中，对视网膜图像中的黄斑区域进行分割。随后，把分割出的黄斑区域输入到基于深度学习的 RegNet 中，提取其结构特征。最后，运用 Dingo 优化（Dingo Optimization，DIO）算法进行特征选择，并对黄斑水肿病例进行分类。
研究结果
- 模型构建与流程：构建了 DIO-RegNet 模型，其流程包括用高斯自适应双边滤波器对输入 OCT 图像预处理，再经 Modified DeepLabV3 + 分割黄斑区域，RegNet 提取结构特征，最后由 DIO 算法进行特征选择和病例分类。
- 检测准确率：使用 Matlab-2019b 对 DIO-RegNet 模型进行评估，以特定数据集的 OCT 图像为输入，经预处理后分析。结果显示，该模型对黄斑水肿的检测准确率高达 99.44%。与 Dense Net、Alex Net 和 ResNet 相比，RegNet 的准确率分别为 96.72%、92.89% 和 97.11%。DIO-RegNet 相较于 CNN、faster R-CNN 和 VGG-16 CNN，整体准确率分别提高了 2.44%、5.04% 和 4.34%。同时，研究还对召回率、特异性、精度、F1 分数等指标进行评估，进一步验证了模型的性能。
研究人员成功开发出 DIO-RegNet 模型用于 ME 的早期检测，该模型在检测准确率上表现卓越，显著优于多种传统深度学习模型。这一成果为眼科临床诊断提供了一种高效、准确的新方法，有望帮助医生更及时、准确地发现 ME，从而为患者争取最佳治疗时机，降低失明风险。同时，该研究也为其他眼科疾病甚至更多医学领域的疾病检测提供了新的思路和方法，推动了医学人工智能的发展。未来，研究人员可以进一步扩大数据集，优化模型结构，探索 DIO-RegNet 在不同临床场景下的应用，让这一创新成果更好地服务于人类健康。
