摘要
糖尿病视网膜病变作为糖尿病的并发症之一，已经逐渐对患者的视力健康造成了重大威胁。临床中，眼底筛查与诊断主要是由专业的眼科医生来完成，随着深度学习的发展与临床应用的结合，本文对基于深度学习的糖尿病视网膜眼底病变计算机辅助诊断展开研究。 本研究主要针对目前眼底图像分类中存在的诸多问题，包括：图像质量不佳，有效信息占比少；数据类别分布不平衡，无法保证模型对于各类别特征的完整学习；眼底病灶特征难以识别，增大了模型学习难度以及分类结果不可解释，神经网络存在黑箱状态等进行分析与解决，主要研究内容如下： （1）眼底图像预处理。结合眼底图像的组织结构丰富、对比度低的特点，先后通过黑边裁除、限制对比度自适应直方图均衡化与伽马矫正等手段改善图片质量，突出眼底细节，增强分类模型对于眼底特征细节的识别能力。 （2）设计基于自注意力机制的条件残差生成对抗网络DRGAN。对原始Eye-PACS 数据集进行分析，发现数据集中各类别眼底图像数量差距较大，基于条件生成对抗网络搭建DR图像生成模型DRGAN，搭建嵌入自注意力机制的残差条件生成对抗网络，输出高质量的模拟眼底图像，最终将生成图像数据与原始数据混合实现数据的扩充与平衡。 （3）搭建基于ResNext-50的糖尿病视网膜病变分级模型Improved-DRNet。以ResNext-50为基线模型，在卷积残差块中添加通道注意力机制，建立五分类的糖尿病视网膜病变分级模型。实验结果表明，通过前期基于的测试集大量学习训练后，分类模型在测试集 OIA-DDR 上实现了较好的泛化性能，分类的准确率、特异性、灵敏度分别达到了92.3%、92.5%与92.5%。 （4）设计基于梯度加权类别激活映射的可视化模块。对网络模型分类所依据的特征区域进行高亮标记，用不同的颜色突出网络的特征关注点，使图像分类结果更直观、分类依据更明确，增强模型可解释性，进一步辅助医生实现疾病快速诊断，提升模型临床应用价值。 本研究基于卷积神经网络建立糖尿病视网膜病变多分级模型，可实现糖尿病视网膜病变患者的智能筛查与诊断，并且利用可视化模块对关键病灶点进行高亮标记，便于研究人员与医生对结果进行可解释性研究，进一步增加了该系统的临床应用价值，为糖尿病视网膜病变的智能化诊断提供了新思路。
NETL