摘要
糖尿病视网膜病变（diabetic retinopathy，DR）是糖尿病患者最常见的眼科并发症，会造成视力下降和视野缺损，严重影响患者的工作和生活。《“十四五”全国眼健康规划》明确提出，要逐步提高对糖尿病视网膜病变的筛查能力，落实分级诊疗服务技术方案。因此，开展DR筛查和分级诊断工作对国民眼健康事业有重要意义。 目前，由于医生数量少、医疗资源不均衡、筛查意识不足，我国糖尿病患者眼底筛查率不足 10%。依靠肉眼观察 DR 病变十分耗费时间和精力，对眼科医生的经验和水平要求较高，容易造成漏诊和错诊。随着人工智能技术的发展，基于深度学习的DR辅助诊断技术有望缓解眼科医生临床工作中面临的困难。本文研究了针对DR筛查和分级诊断工作的智能诊断方法，用于微动脉瘤检测、糖尿病视网膜病变分级诊断和糖尿病黄斑水肿风险评估。主要研究成果如下： 针对糖尿病视网膜病变早期微动脉瘤（microaneurysm，MA）检测问题，提出了基于形态学操作和匹配滤波的 MA 候选区提取方法，结合基于卷积神经网络的 MA候选区分类方法检测 MA。实验结果表明，在 ROC 数据集和 E-Ophtha-MA 数据集上，本方法在降低MA负样本数量的情况下，MA正样本的检测敏感度可达78%。 针对糖尿病视网膜病变分级诊断问题，提出了DR分级诊断双任务学习网络，把DR病灶分割任务和DR级别分类任务相结合，提高分类网络对DR病灶的特征提取能力。实验结果表明，本方法可增强分类网络对微动脉瘤、出血点、硬性渗出物、软性渗出物病灶的特征表达能力，提高 DR 分级诊断的效果，在 EyePACS 数据集和Messidor-2数据集上的准确率分别达到98.16%和97.52%。 针对糖尿病黄斑水肿（diabetic macular edema，DME）风险评估问题，提出了 DME风险评估病灶注意力增强网络，引入感兴趣区注意力模块和自适应空间注意力模块，增强网络对DME的特征表达能力。实验结果表明，本方法可增加网络对硬性渗出物、黄斑、视盘区域的关注，提高DME自动风险评估的效果，在IDRiD数据集和Messidor数据集上的准确率分别达到95.08%和87.35%。
NETL