基于自适应多分辨率特征学习的CNV分型网络

为解决不同脉络膜新生血管(choroidal neovascularization,CNV)类型间较小区分性带来的分型难度和光学相干断层扫描(optical coherence tomography,OCT)图像中噪声对分型精度的影响,提出自适应多分辨率特征学习的CNV分型方法,其包含多分辨率特征学习和自适应特征选择模块。在多分辨率特征学习模块中,融合具有不同类型CNV细节信息的底层特征和具有语义信息的高层特征,同时引入渐进式的训练方式增强特征表示能力。在自适应特征选择模块中,通过引入注意力机制,对最后分型起关键作用的特征进行增强,进一步提升特征的区分性。在自建的CNV数据集上进行试验,试验结果表明,评价指标上的测试评分分别为91.3%、86.6%、89.2%和90.6%。提出的自适应多分辨率特征学习的CNV分型方法优于现有的其他分类方法。