基于深度学习的眼底图像诊断和分割方法研究.pdf

基于深度学习的眼底图像诊断和分割方法研究

摘要

据相关调查显示，糖尿病、高血压等慢性疾病发病率逐年攀升，这些慢性

疾病的并发症会导致眼底发生相应的形态学变化，眼底图像的分析可以为这些

慢性疾病的诊断提供依据。然而，仅依靠眼科医生对眼底图像进行分析，存在

诊疗效率过低、浪费医疗资源等问题。因此，本文旨在研究利用深度学习方法

实现眼底图像糖尿病视网膜病变(DiabeticRetinopathy，DR)的严重程度诊断、端

到端的视网膜血管分割和视网膜血管动静脉分类，为人体慢性疾病的诊断提供

一种新思路。本课题的具体研究内容包括：

为解决DR的初期筛查问题，本文提出一种新颖的一维卷积核尺寸自适应

调整算法，并基于该算法提出了一种全局通道注意力机制(GlobalChannel

Attention,GCA)。本文将GCA结构与深度卷积神经网络相结合，构建了用于彩

色眼底图像DR严重程度诊断的模型GCA-EfficientNet(GENet)。在网络的训练

过程，使用了迁移学习技术和余弦退火学习率调整策略加速模型收敛。实验中

还使用OpenCV进行图像预处理和数据增强，避免发生过拟合问题。最终GENet

模型在Kaggle的DR数据集上准确率达到0.956，精确率达到了0.962，敏感度

达到了0.959，特异性达到了0.989。实验结果表明，基于GCA注意力机制的

GENet能有效地提取眼底图像病灶特征，提高DR严重程度分级的性能。

为进一步利用眼底图像中血管的形态学特征提取病理信息，本文首先提出

了一种新颖的视网膜血管分割方法，将分割目标确定为：动脉、静脉和血管三

类。针对这三个类别的分割，本文提出了一种新颖的Y型深度学习模型

AVSegNet，主干使用EfficientNetV2-S完成血管特征提取与分割，并使用对称

的级联Mini-UNet结构分别实现动脉和静脉分割。本文还提出了一种加权的三

类别二进制交叉熵(WBCE3)损失函数，分别对血管和动静脉使用不同的掩膜计

算损失，并基于迁移学习技术完成模型训练。本文将AVSegNet与GCA注意力

机制结合，并对输入的图像进行了增强，在公开的RITE数据集上完成实验验

证和可视化分析。最终AVSegNet血管分割任务的准确率达到0.961，敏感度达

到0.910，特异度达到0.986，F1分数达到0.836，DICE系数达到0.802，动脉

分割任务的AUC值达到了0.975，静脉分割任务的AUC值达到了0.978，均优

于传统的分割方法。实验结果表明，本文提出的方法可以有效实现端到端的眼

底图像视网膜血管分割和视网膜血管动静脉分类。

关键词：眼底图像，深度学习，糖尿病视网膜病变，视网膜血管分割，视网膜血

管动静脉分类

ResearchonFundusImageDiagnosisandSegmentation

MethodBasedonDeepLearning

ABSTRACT

Accordingtorelevantsurveys,theincidenceofchronicdiseasessuchas

diabetesandhypertensionisincreasingeachyear,andthecomplicationsofthese

chronicdiseaseswillleadtocorrespondingmorphologicalchangesinthefundus,

andtheanalysisoffundusimagescanprovideareferenceforthediagnosisofthese

chronicdiseases.However,onlyrelyingonophthalmologiststoanalyzefundus

imagessuffersfromlowefficiencyindiagnosisandtreatmen