Diabetic retinopathy (DR) is a common chronic fundus disease, which has four different kinds of microvessel structure and microvascular lesions: microaneurysms (MAs), hemorrhages (HEs), hard exudates, and soft exudates. Accurate detection and counting of them are a basic but important work. The manual annotation of these lesions is a labor-intensive task in clinical analysis. To solve the problem, we proposed a novel segmentation method for different lesions in DR. Our method is based on a convolutional neural network and can be divided into encoder module, attention module, and decoder module, so we refer it as EAD-Net. After normalization and augmentation, the fundus images were sent to the EAD-Net for automated feature extraction and pixel-wise label prediction. Given the evaluation metrics based on the matching degree between detected candidates and ground truth lesions, our method achieved sensitivity of 92.77%, specificity of 99.98%, and accuracy of 99.97% on the e_ophtha_EX dataset and comparable AUPR (Area under Precision-Recall curve) scores on IDRiD dataset. Moreover, the results on the local dataset also show that our EAD-Net has better performance than original U-net in most metrics, especially in the sensitivity and F1-score, with nearly ten percent improvement. The proposed EAD-Net is a novel method based on clinical DR diagnosis. It has satisfactory results on the segmentation of four different kinds of lesions. These effective segmentations have important clinical significance in the monitoring and diagnosis of DR.

中文翻译：

---

EAD-Net：一种使用神经网络治疗糖尿病视网膜病变的新型病变分割方法

糖尿病视网膜病变（DR）是一种常见的慢性眼底疾病，其有四种不同的微血管结构和微血管病变：微动脉瘤（MAs）、出血（HEs）、硬性渗出物和软性渗出物。对它们的准确检测和计数是一项基础但重要的工作。这些病变的手动注释是临床分析中的一项劳动密集型任务。为了解决这个问题，我们提出了一种针对 DR 中不同病变的新分割方法。我们的方法基于卷积神经网络，可以分为编码器模块、注意力模块和解码器模块，因此我们将其称为EAD-Net。在归一化和增强之后，眼底图像被发送到 EAD-Net 进行自动特征提取和逐像素标签预测。给定基于检测到的候选与ground truth病变匹配程度的评估指标，我们的方法在e_ophtha_EX数据集和可比的AUPR（Precision-Recall曲线下面积）上实现了92.77%的灵敏度、99.98%的特异性和99.97%的准确率IDRiD 数据集的得分。此外，本地数据集上的结果还表明，我们的 EAD-Net 在大多数指标上都比原始 U-net 具有更好的性能，尤其是在灵敏度和 F1-score 方面，提高了近 10%。所提出的EAD-Net是一种基于临床DR诊断的新方法。它在四种不同类型病变的分割上取得了令人满意的效果。这些有效的分割在DR的监测和诊断中具有重要的临床意义。e_ophtha_EX 数据集的特异性为 99.98%，准确率为 99.97%，IDRiD 数据集上的 AUPR（Precision-Recall 曲线下面积）得分相当。此外，本地数据集上的结果还表明，我们的 EAD-Net 在大多数指标上都比原始 U-net 具有更好的性能，尤其是在灵敏度和 F1-score 方面，提高了近 10%。所提出的EAD-Net是一种基于临床DR诊断的新方法。它在四种不同类型病变的分割上取得了令人满意的效果。这些有效的分割在DR的监测和诊断中具有重要的临床意义。e_ophtha_EX 数据集的特异性为 99.98%，准确率为 99.97%，IDRiD 数据集上的 AUPR（Precision-Recall 曲线下面积）得分相当。此外，本地数据集上的结果还表明，我们的 EAD-Net 在大多数指标上都比原始 U-net 具有更好的性能，尤其是在灵敏度和 F1-score 方面，提高了近 10%。所提出的EAD-Net是一种基于临床DR诊断的新方法。它在四种不同类型病变的分割上取得了令人满意的效果。这些有效的分割在DR的监测和诊断中具有重要的临床意义。本地数据集上的结果还表明，我们的 EAD-Net 在大多数指标上都比原始 U-net 具有更好的性能，尤其是在灵敏度和 F1 分数方面，提高了近 10%。所提出的EAD-Net是一种基于临床DR诊断的新方法。它在四种不同类型病变的分割上取得了令人满意的效果。这些有效的分割在DR的监测和诊断中具有重要的临床意义。本地数据集上的结果还表明，我们的 EAD-Net 在大多数指标上都比原始 U-net 具有更好的性能，尤其是在灵敏度和 F1 分数方面，提高了近 10%。所提出的EAD-Net是一种基于临床DR诊断的新方法。它在四种不同类型病变的分割上取得了令人满意的效果。这些有效的分割在DR的监测和诊断中具有重要的临床意义。