摘要
近年来，糖尿病的患病率不断上升，其中糖尿病视网膜病变(DR)是一种常见的并发症，会导致患者的视网膜受损，若不及时治疗可能会导致失明。在研究DR时，视网膜血管图像分割和病变分级十分关键。血管图像分割有助于医生确定血管的位置和形态，进而精准判断出DR对眼底的影响。病变分级有助于医生评估病变的严重程度，进而制定最佳治疗方案。因此，探索一种高效精准的视网膜血管图像分割及DR分级方法，具有很好的应用价值。 随着深度学习技术在各个领域都表现出卓越的性能，在视网膜血管图像分割和DR分级方面也取得了显著的进展。然而，当前的视网膜血管图像分割精度较低且病变分级准确率不高，因此本文提出了基于深度学习的视网膜血管图像分割和DR分级方法。本论文的研究重点包括以下两个方面： (1)针对视网膜血管图像分割任务中细微血管分叉及端点处分割精度低的问题，本文提出了一种基于改进UNet网络的视网膜血管图像分割方法。首先在UNet编码器中引入了SwimTransformer模块。利用该模块的自注意力机制和特征表达能力，使得分割方法的泛化能力和鲁棒性得到了有效提升。然后重新设计了UNet网络的跳跃连接结构，采用特征增强跳跃连接模块减少特征对噪声和干扰的敏感度。最后增加了多尺度特征融合预测模块，将多组不同尺度特征进行融合后再使用通道注意力机制增强有用特征，提升血管分割精度。在公开数据集STARE和DRIVE的测试结果表明，该分割模型在准确率、灵敏度、特异度和AUC值评价指标上，分别达到了97.47%、80.87%、98.84%、97.38%和96.72%、81.06%、98.22%、97.03%。 (2)针对DR等级间差异性较小的问题，本文采用了一种基于迁移学习的DR分级方法。该方法首先利用YOLOv5目标检测网络获得DR相关病灶区域和利用改进UNet的分割方法获得视网膜血管图像。然后将病灶区域特征和视网膜血管特征与原图按权重加权方式进行融合得到特征图。最后将融合后的特征图输入到基于迁移学习的改进YOLOv5分类网络中，最终获得糖尿病视网膜病变分级结果。在公开数据集EyePACS的测试表明，该分级方法在准确率、精确率、召回率和F1分数评价指标上，分别达到了76.48%、77.50%、67.68%和77.08%。在DR（0-4）级判断精确率达到了78.68%、76.28%、68.86%、79.12%和80.45%。 （3）针对第二章和第三章提出的算法模型作为眼底图像处理核心算法，根据需求分析设计并实现了视网膜血管图像分割与DR分级可视化系统。 本文提出的两种方法通过多组实验对比验证，在视网膜血管图像分割及DR分级方法方面都得到了显著提升。
NETL