摘要
视网膜疾病已极大的影响了人们的日常生活，随着视网膜疾病患者数量增多,眼科医生通过人工诊断方式已逐渐不能满足视网膜疾病患者的需求。目前，深度学习方法已广泛应用于医疗辅助诊断领域，通过使用深度学习方法，眼科医生能够更加高效准确的对视网膜疾病患者进行诊断，但深度学习在对视网膜OCT图像进行分类时，存在部分网络特征提取能力弱，在训练样本数量不足时，无法达到理想的分类精度等问题。针对上述问题，本文开展基于深度学习的视网膜OCT图像分类方法研究，具体研究内容如下: 针对处理原始视网膜OCT图像数据集时分类效果不理想的问题，本文对原始视网膜OCT图像数据进行预处理，包括数据均衡化、图像降噪、图像归一化与标准化等操作，加快网络的训练速度，提升网络的泛化能力，使网络训练更加平稳。 针对现有部分网络特征提取能力弱的问题，本文采用一种多尺度残差网络，该网络以ResNet50为基线网络，结合基于卷积块的注意力机制，提升网络对输入图像分布在通道与空间中重要信息的提取能力，同时，使用一种多尺度残差模块,在网络能实现恒等映射的同时，对不同尺度视网膜疾病信息进行有效的特征提取,对图像中的细小疾病特征进行有效学习。 针对深度学习在训练样本数量不足时无法达到理想分类精度的问题，在上述网络基础上进行改进，设计一种递归残差模块，通过遍历网络的输入信息，使网络在使用相同输入的情况下，能够获得更好的分类效果，同时，在网络中使用Dropout方法，防止在训练过程中发生过拟合现象，最终，将多尺度递归残差网络与迁移学习方法进行融合，先在数据量充足的数据集上进行预训练，再将预训练好的模型迁移到小样本数据集中，有效解决训练样本数量不足的问题。 在样本数量充足的数据集OCT2017上，本文使用的多尺度残差网络最终准确率达到97.3％,相较于基线网络提升2.2％。在面对样本数量不是特别充足的SN数据集时，本文提出的多尺度递归残差网络准确率达到82.5％,相较于多尺度残差网络提升2.9％,最终引用迁移学习方法后，在小样本数据集上分类准确率达到90％,充分验证本文所使用方法的有效性。
NETL