摘要
糖尿病性视网膜病变（DR）是引起人类视觉损伤和失明的主要因素。临床研究显示，只有对糖尿病人进行早期DR筛查和及时诊断，才能预防其视力衰退。目前病变主要通过人工诊断的方式进行治疗，然而随着筛查数量的增加，医生在诊断时非常容易出现漏诊、误诊、反馈不及时等问题，从而错过病情的最佳治疗时机。为此，亟需开发有效的智能技术来进行病变诊断。近年来，机器学习和深度学习等智能技术被广泛应用于糖尿病视网膜病变诊断领域，对于辅助医生进行大规模筛查，提高分类精度和诊断效率发挥了重要作用。本文结合经典图像处理技术，基于机器学习和深度学习方法研究DR等级分类问题，具体研究内容如下： （1）为了解决图像光照不均、数据不平衡等问题的干扰，采用裁剪、灰度化、颜色与亮度归一化、图像增强、伽马校正以及图像扩充等预处理操作。其中图像扩充采用翻转、平移、旋转等。 （2）基于已有模型仅针对深度特征进行融合的问题，提出一种多类别特征融合分类模型。根据眼底病灶的特点，在提取AlexNet、VGG-16和ResNet-50三种深度特征的基础上，新添加了Gabor、LBP、HOG以及Haralick等四种影像组学特征，并采用双层特征融合网络对四种影像组学特征和三种深度特征进行筛选，最后通过SVM、RF、KNN、ELM对病变进行分级，其准确率分别达到88.64%、86.63%、86.27%、85.61%。有效避免了深度网络底层特征提取不足以及因影像组学特征维度较少造成的特征丢失问题。 （3）为提高模型对小病灶的关注程度，提出一种基于深度可分离卷积和注意力机制的分类模型。其中，注意力机制基于1×1卷积和激活函数对关键特征进行识别，同时采用轻量化模块对模型的标准卷积进行替换，在保证精度的同时，实现病变的快速分类。经过在数据集上验证，其分类准确率达到91.5%，召回率达到90.3%，参数量为12.24M，FLOPs为9.74G，运行时间为158.7ms，Kappa值为0.893。在解决多类别特征网络提取背景、结构等无关信息过多，增强对小病灶特征关注程度的同时，有效降低了模型参数，减少运行时间。
NETL