基于改進YOLOv3網絡的超廣角眼底圖像視網膜病變智能診斷方法研究

廖國糧 王通 韓霖 莊艷 陳科 林江莉

摘要：視網膜病變是致盲的主要因素，如能早發現，眾多致盲可以避免。該文以大病變視網膜脫離和小病變硬性滲出為例，進行超廣角眼底圖像視網膜病變智能診斷研究。該文通過改進YOLOv3構建了新型病變深度檢測網絡，并研究了數據擴增數量對模型的影響規律。研究結果表明，擴增4倍有助于提升性能，進一步擴增反而下降。實驗訓練集含1100張，驗證集含219張，大、小病變的召回率分別提升到91.19%和67.90%，精確率分別提升到92.95%和77.46%。

關鍵詞：超廣角眼底圖像；目標檢測；YOLOv3；視網膜脫離；硬性滲出

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）27-0027-02

開放科學（資源服務）標識碼（OSID）：

1 前言

我國是失明以及視障人群最多的國家，截至2019年，有超過800萬人失明，有近5000萬人有中度或重度視力受損。而視網膜疾病是致盲和視力損傷的主要原因之一，如能早發現早治療，眾多致盲病例可以避免。

現階段最普及的眼底檢查手段是彩色眼底照相，其只能照射約45°的眼底區域，當病變極其細微或發生在周邊部，眼底照相幾乎無能為力。 超廣角眼底成像（UWF， Ultra-Widefield Fundus）可檢查200°的視網膜區域，且無須散瞳，使之成為最理想的眼底疾病早期篩查方式。

盡管UWF有眾多優勢，但由于技術較新且對圖像解讀需要較高的專業性，目前未能普及。鑒于此，本文分別以一種典型的“大”病變，即視網膜脫離，和“小”病變，即硬性滲出為示范，研究超廣角眼底成像視網膜病變的智能診斷方法。關于視網膜脫離和硬性滲出的目標檢測國內外還未見報道。

2 數據與方法

2.1 數據集及標注

UWF數據來自四川大學華西醫院眼科在2016-2020年采集的圖像，采集設備為歐堡Optos Daytona（P200T）。數據來源符合醫學倫理委員會要求及《赫爾辛基宣言》，所有圖像經脫敏處理后納入研究。數據集由多名四川大學華西醫學院資深眼科醫師遵循病變特征進行標注，標注后的數據分為訓練集和測試集。訓練集共有視網膜脫離800張（病變935處），硬性滲出300張（病變353處）。為保證本研究的科學性和可信度，測試集完全獨立于訓練集，是一批全新的樣本，包括視網膜脫離病例147例（包含病變159處），硬性滲出72例，（包含病變81處）。

2.2 數據擴增

本文數據擴增按兩類方案進行，方案A采用水平及豎直翻轉兩種剛性擴增方式，對病變特征無改變，同時采用隨機亮度、對比度增強，將小部分圖像隨機增量或提高對比度，將數據集擴增為原始數量的4倍；方案B為在方案A的基礎上對圖像進行隨機旋轉、偏移、尺度變換，會對病變特征造成一定的改變，可將數據集進一步擴增為原始數量的8倍。

實驗從800例視網膜脫離（大病變）病例中分別隨機抽取50、100、200、400例圖像以及全部800例圖像用于模型訓練，然后采用兩類擴增方案，分別將數據集數量擴增至4倍或8倍，再次訓練模型。300例硬性滲出（小病變）病例按50、100、200的數量隨機抽取以及全部應用，并同樣進行兩類擴增和相應訓練。

2.3 改進的YOLOv3網絡

YOLOv3目標檢測網絡是性能最優異的目標檢測網絡之一，其原理、思想等都在之后的各種優秀目標檢測網絡中有所體現。為了使網絡運行更快，精度更高，本研究將YOLOv3網絡的特征提取網絡DarkNet-53替換為了性能優異的EfficientNet-B2進行病變的定位和識別，同時調整YOLOv3的三個有效特征層數目，提升了訓練速度的同時，大幅減少了網絡的參數量，改進的YOLOv3如圖1所示[1]。

3 實驗結果與討論

3.1模型訓練

每一組獨立實驗首先加載EfficientNet-B2的預訓練權重，凍結主干網絡后訓練25個批次，學習率0.01，Batch Size為32；解凍后訓練75個批次，學習率0.001，Batch Size為8；學習率每兩個批次即乘以0.9的衰減因子。對于識別結果，采用召回率Recall，精確度Precision，平均精確度AP進行評估[2]。

3.3實驗結果

按照2.2所述的數據擴增方案，視網膜脫離（大病變）及硬性滲出（小病變的檢測結果如表1，表2所示。

可見“大病變”和“小病變”均有如下規律：（1）原始數據量的增加能夠有效地提升模型對病變的檢測能力；（2）數據擴增對于病變檢測模型十分有效，尤其在數據量較小時（低于200張）；（3）盡管數據擴增能夠有效提升模型能力，但更多的原始圖像能夠使模型表現更佳；（4）越小的病變越需要更多的原始數據用于訓練。

檢測示例如圖2所示。

4? 結束語

本文針對超廣角眼底成像，以視網膜脫離和硬性滲出為示范進行視網膜病變的智能診斷研究。研究基于YOLOv3目標檢測網絡進行改進，構建了新型病變檢測網絡，并在小樣本情況下研究數據擴增數量對檢測能力的影響規律。研究結果表明，合理的數據擴增有利于提升模型性能，但一味擴增不一定有效。在檢測硬性滲出這一類范圍很小、難以檢出的病變時，模型最佳檢出率可達到67.90%，精確率可達到77.46%，受限于原始數據量，無法做進一步的驗證與調優，在后續研究中，我們將通過進一步采集和標注小病變圖像，提升深度學習模型的檢測性能。

參考文獻：

[1] 楊富強，余波，趙嘉彬，等.基于改進YOLOv3的橋梁底部裂縫目標檢測方法[J].中國科技論文，2022，17（3）：252-259.

[2] 張振華，陸金桂.基于改進卷積神經網絡的混凝土橋梁裂縫檢測[J].計算機仿真，2021，38（11）：490-494.

【通聯編輯：聞翔軍】