检索历史 清除

摘要糖尿病视网膜病变(DiabeticRetinopathy,DR)是糖尿病最为严重的并发症之一。目前DR检测主要依赖于眼科医生对眼底图像的详细分析，从而根据不同患者的检测结果制定不同的治疗方案。然而，人工诊断耗时长，效率低，快速增长的眼底病变患者与匮乏的眼科医生数量给DR检测带来了巨大挑战。为了针对不同的分期制定不同的治疗方案，实现DR自动分期对推广大规模DR诊断有着极为重要的意义。<br>　　针对DR自动分期任务，本文提出了一种基于SE-MIDNet(DenselyconnectedNetworksbasedonSEandModifiedInception)的糖尿病视网膜病变分期方法。针对数据集图像病变特征不明显的问题，本文对数据集的对比度、亮度、色彩平衡进行了调整，突出病变特征。针对数据集类别之间数量不平衡的问题，本文采用过采样方法平衡数据集。针对病变区域大小不同导致网络较深时易丢失小目标特征的问题，本文首先提出了改进的Inception模块，使得网络能够高效提取DR图像的多尺度特征，从而增强网络的特征学习能力；然后采用密集连接方法将改进的Inception模块的输出特征图拼接起来送入后续层，使得每个改进的Inception模块都可以直接从损失函数和原始输入图像数据中获得梯度，降低网络训练过程的复杂度，实现DR图像的多尺度特征重用，增强小目标特征表示；最后利用通道注意力模块(Squeeze-and-Excitation,SE)获得特征图在每个通道上的全局信息，依赖这些信息对各通道进行动态的非线性建模，自适应区分不同特征的重要程度，并根据重要程度加权，从而提高网络的泛化能力。<br>　　实验结果表明，针对DR图像数据集，改进的Inception模块能够高效的提取DR图像的细节特征，提升DR图像的分期准确率。本文设计的网络DR自动分期的准确度达到88.24%，灵敏度达到99.43%，特异性达到97.60%，结构能够实现DR自动分期的目标，具有良好的泛化能力。