基于深度学习的糖尿病视网膜病变智能诊断方法研究.pdfVIP

摘要

基于深度学习的糖尿病视网膜病变智能诊断方法研究

糖尿病视网膜病变（DR）具有较高的失明风险，对人们的生产、生活影响巨

大。智能诊断方法可以缓解大规模DR筛查需求下医疗资源不足的问题，具有很

重要的现实意义。目前，深度学习已成为医学图像分析领域的主流方法，许多基

于深度学习技术的DR五分期辅助诊断方法不断被提出，并取得了不错的效果。

通常情况下，理想的结果主要依赖于大量标注数据，同时对模型中特征提取

器与分类器的设计也是至关重要的。然而，现有的模型仍面临以下挑战：在构建

网络结构时，单一的神经网络结构缺乏对病灶特征的编码与分类能力；在训练过

程中，因现有的眼底图像开源数据集存在设备差异和疾病的地域性差异等问题，

会导致模型分类结果不准。这些问题导致:面向大规模开源数据训练的DR诊断

模型并不适用于某些标签数据不足的医疗机构或不同的国家地域。

为了在尽量少降低模型精度的前提下减少其对标签训练数据量的依赖，针对

以上问题，本文提出了一种在少量数据训练下也可以具有较高可靠性的DR五分

期智能诊断网络；此外，还提出了一种可以利用大量的无标记数据来辅助模型训

练的方法。本文的具体工作内容如下：

第一，针对模型结构上的问题，在深度残差网络模型的基础上，改进图像特

征提取与分类过程，提出了DR五分期诊断模型（BiRAD-Net）。在特征提取阶段

中，为优化特征质量，引入混合注意力机制抑制噪声，并设计了特征分级决策网

络模块增强模型的编码能力；在分类过程中，设计了双分支分类器及对应的损失，

增强分类准确性。实验结果表明：BiRAD-Net可以在降低模型所需数据量的同时

提升对DR每个分期的识别能力。

第二，针对训练过程中的问题，提出了一个改进的DR分期网络训练算法

（SimCLR-DR）。该算法包括前置任务与下游任务两个部分：在前置任务中，结

合对比自监督学习方法，利用大量的无标记眼底图像数据对编码器进行预训练；

在下游任务中，使用少量标记数据微调预训练编码器与分类器。实验结果表明：

在训练数据较少的情况下，SimCLR-DR算法可以在一定程度上提升模型的分类

性能，使其具备更好的泛化能力。

关键词：

深度学习，卷积神经网络，糖尿病视网膜病变，混合注意力机制，特征分级

决策网络，自监督学习

Abstract

ResearchonDiabeticRetinopathyIntelligentDiagnosticMethod

BasedonDeepLearning

Diabeticretinopathy(DR)hasahigherriskofblindness,whichhasagreatimpact

onpeoplesproductionandlife.Intelligentdiagnosticmethodscanalleviatetheproblem

ofinsufficientmedicalresourcesunderthedemandoflarge-scaleDRscreening,which

hasveryimportantpracticalsignificance.Atpresent,deeplearninghasbecomethe

mainstreammethodinthefieldofmedicalimageanalysis.ManyDRfive-stageassisted

diagnosismethodsbasedondeeplearningtechnologyhavebeenproposedcontinuously

andachievedgoodresults.

Ingeneral,theidealresultsaremainlyattributedtotheuseoflargeamountsof

annotateddata,andthedesignoffeatureextractorsandclass