视网膜分级不再只看原图：增强病灶与血管图分两路，糖网五级分期准确率93.32%
核心概要
视网膜疾病分级此前多依赖原始彩色眼底图，低对比病灶和细血管容易被光照与噪声淹没。F2D-RetinaNet把增强后的绿通道与血管图分成两条支路分别学习，再融合成一次分级决策。在APTOS 2019的糖网五级分期上准确率为93.32%，比只用RGB图像的基线高3.25个百分点；在严格排除重叠图像的外部DREAM-RFI集上准确率为87.14%。
深度剖析
视网膜疾病的分级决策改为同时读取两幅图：一幅是增强后的绿通道，一幅是从同一张眼底图提取的血管图。 此前的模型大多只输入原始RGB眼底图，低对比区域的早期病灶和细血管难以同时呈现。 在APTOS 2019的糖网五级分期上，双支路配置准确率为93.32%，只用RGB图像的基线为90.07%，相差3.25个百分点。
两幅图各走一条支路：增强图经DenseNet-169，血管图经ResNet-50，特征拼接后由融合模块输出分级。 增强环节用分数阶各向异性扩散替代常规平滑，在绿通道上做长记忆扩散，再叠加CLAHE、双边滤波与锐化。 在200张FIVES测试图上，完整增强流程的对比噪声比显著高于仅用CLAHE的基线；把常规各向异性扩散换成分数阶版本，准确率再提高约1.5%。
血管图由FHAU-Net生成，它把八个分数阶的Hessian血管响应与增强图拼成9通道输入，交给带注意力门控的U-Net。 单一分数阶只能覆盖部分血管尺度，细血管与大血管难以兼顾。 在合并DRIVE、STARE、CHASE_DB1、HRF、FIVES共913张图的统一测试集上，Dice为0.8987、敏感度0.9084、特异度0.9876；留一数据集测试的Dice在0.7411到0.8009之间。
启示与展望
评估覆盖APTOS 2019的检测与五级分期、FIVES的四类疾病分类，以及排除重叠图像后的DREAM-RFI外部集2156张图。临床可行性只在SMS Hospital Jaipur的19张回顾性眼底图上做了初步观察，其中16张分类正确。作者提出后续需要更大规模、前瞻性采集的临床数据来验证。
作者说明各数据集标注规范未统一，观察者间分歧给跨数据集分割性能设了上限。轻度与重度NPDR因样本少更易错分，轻度NPDR也常被误判为无糖网。Grad-CAM仅作基本透明性展示，未经定量忠实性分析或眼科专家评估。