糖尿病视网膜病变眼底图像筛查研究

眼底照相是获取眼部图像的主要技术之一.利用眼底相机对视网膜病变区域进行拍摄可以获得清晰的图像,从获取的图像中能够直接观察到眼球中的渗出物、出血点和微血管瘤,根据检测出的病灶类型、数量和位置等信息可进行糖尿病视网膜病变分类.基于此,本文利用深度神经网络对糖尿病视网膜病变进行自动分类识别,提出了一种体系结构简单、在通用设备上运行速度快的卷积神经网络CA-RepVGG(CA代表Channel Attention,RepVGG为现有模块).利用单路极简结构的RepVGG模块替代复杂的可使用性较差的模块作为分类模型的主体部位,并选用高效通道注意力机制ECA替代压缩注意力机制SE,以此来提升模型对病变分级的能力.此外,本文还将CA-RepVGG模型与传统的分类模型VGG-16、Inception-V3、ResNet-50和ResNext-50模型进行了比较.从比较结果可以看出,虽然CA-RepVGG模型的参数量最大,但由于其是单分支结构,且只有3×3卷积块,因此它的模型复杂度并不高,分类速度很快,比另外4个模型中分类速度最快的ResNet-50还高出15.3％.另外,利用两个混淆矩阵展示了所提模型的分类结果,其在两个数据集上的准确度都超过了 92.4％,精确度不低于91.6％,灵敏度在93.8％以上.从实验结果可知,所提模型不仅可对糖尿病视网膜病变进行分类,而且相比其他现有模型具有一定的优越性.若将该模型应用在临床上,可以提高专业眼科医生在眼科疾病上的诊断效率.