特征自適應過濾的視網膜病變分級算法

梁禮明，雷 坤，詹 濤，周瓏頌

特征自適應過濾的視網膜病變分級算法

梁禮明，雷 坤，詹 濤，周瓏頌

(江西理工大學電氣工程與自動化學院，江西 贛州 341000)

針對視網膜病變圖像特征識別困難以及病變分級效率不高等問題，提出一種特征自適應過濾的視網膜病變分級算法。首先，算法利用ResNet-50網絡構建的多尺度過濾分支(MFB)對視網膜病變圖像進行逐級特征提取；其次，在不同尺度的過濾分支后級聯自適應特征過濾塊(AFFB)對視網膜病變圖像進行特征增強與過濾；然后，使用特征互補融合模塊(FCFM)對特征過濾后的多個局部增強特征進行信息互補，并通過聚合局部增強特征的互補信息豐富視網膜病變圖像的局部細節；最后，采用細粒度分類損失與焦點損失對具有不同局部特征信息的分級模型進行訓練，并在IDRiD數據集上進行實驗。實驗結果表明，所提分級算法的準確率為80.58%、加權Kappa系數為88.70%、特異性為94.20%、敏感性為94.10%，該算法能有效識別視網膜病變圖像的細微病變區域并提高分級效率。

視網膜病變；病變分級；自適應；特征過濾；多尺度特征

糖尿病視網膜病變(diabetic retinopathy，DR)是糖尿病患者發病率極高的慢性并發癥之一。根據國際糖尿病聯盟發布的最新數據顯示，目前在20～79歲的成人群體中糖尿病患者的人數已高達5.366億[1]，形勢嚴峻。由于患病人數快速增長以及相關醫護資源緊缺，DR患者無法得到及時的診斷反饋，導致視網膜病變程度進一步加重，進而使DR患者的視力受到不可逆的損傷。因此，利用計算機輔助視網膜病變分級的智能算法研究，對預防糖尿病患者致盲有著非常重要的意義。

目前視網膜病變分級算法主要存在2個問題：一是不同病變時期的患者比例差異大，DR樣本分布不均衡；二是微血管瘤、出血點以及硬性滲出物等細微病變特征與視網膜周圍環境差異小，特征提取困難。針對DR樣本分布不均衡的問題，SHI和ZHANG[2]提出多階段遷移的方法對特征表示學習與分類過程進行獨立訓練，再使用類平衡損失函數對分級模型進行優化。該方法能有效緩解DR樣本分布不平衡的影響，并提高分級性能。針對視網膜病變圖像特征提取困難的問題，謝云霞等[3]先通過子圖對視盤進行分割，再使用在線困難樣本挖掘緩解在高分辨率眼底圖像中模型難以獲取細微病灶的問題。顧婷菲等[4]提出將細粒度分類方法[5]與多通道注意力選擇機制相結合的方法用于視網膜病變分級預測，該方法通過排序損失對每層通道的信息量進行優化，使視網膜病變圖像的局部特征區域具有更多的信息量，從而突出視網膜病變圖像的細粒度特征信息。DU等[6]則使用漸進式訓練策略與隨機拼圖生成器鼓勵網絡提取視網膜病變圖像的細粒度特征并融合，進而獲取視網膜病變圖像的多粒度特征信息，從而提高分級性能。

雖然上述解決方法能有效解決視網膜病變分級存在的問題，但分級模型不能高效且準確定位視網膜的病變區域。于是本文提出一種僅通過網絡逐級自適應過濾特征的算法用于視網膜病變區域的定位及分級預測。該算法通過多尺度過濾分支(multi-scale filtering branch，MFB)與自適應特征過濾塊(adaptive feature filter block，AFFB)逐級挖掘視網膜病變圖像的局部細節特征并對局部特征進行增強與抑制；接著使用特征互補融合模塊(feature complementary fusion module，FCFM)對多個局部增強特征進行信息互補，并學習視網膜病變圖像的細節特征；最后，利用細粒度分類損失[7]與焦點損失[8]所構建的組合損失對分級模型進行訓練，并在IDRiD數據集上進行實驗，以期實現準確定位視網膜病變圖像的病變區域以及對病變等級進行準確預測。

1 網絡結構

1.1 多尺度過濾分支

由于微細血管瘤與出血點等病變特征在眼底圖像上分布不規律，且病變區域大小存在差異。如果僅使用ResNet-50網絡[9]的最后一層輸出進行特征過濾，模型無法充分學習視網膜病變圖像的潛在細節特征。于是本文采用一種基于ResNet-50的MFB逐級處理視網膜病變圖像，充分學習局部細節特征。該分支首先在Stage1階段對輸入的視網膜病變圖像進行特征提取與下采樣，獲取視網膜病變圖像的淺層特征；接著，通過AFFB對Stage1的局部特征進行增強與過濾，并利用Stage2對過濾后的圖像特征進行特征提取與下采樣；Stage3重復Stage2的操作。

MFB通過逐級改變特征圖的尺寸進而縮小細粒度特征的區域范圍，其中Stage1由ResNet-50網絡的前三層Layer構成，輸出特征維度為512×28×28，用于提取視網膜病變圖像的淺層特征信息；Stage2與Stage3分別為ResNet-50網絡的Layer3與Layer4，輸出特征維度分別為1024×14× 14與2048×7×7，其主要用于學習特征過濾后的圖像信息。MFB的結構如圖1所示。

1.2 自適應特征過濾塊

由于初期的DR圖像中僅含有少量微血管瘤或出血點，特征識別困難。受SONG和WANG[10]的啟發，本文采用AFFB對視網膜病變圖像的不同尺度特征進行特征過濾，并結合MFB逐級挖掘視網膜病變圖像的潛在局部細節。AFFB的結構如圖2所示。

AFFB主要由SE[11]注意力機制、特征增強與特征抑制構成。AFFB首先通過全局平均池化(global average pooling，GAP)對特征通道進行全局壓縮，再使用全連接層(fully connected layers，FC)訓練通道權重并恢復通道維度。接著，利用歸一化的權值矩陣與輸入特征圖逐點相乘，為特征圖施加通道注意力。

圖1 多尺度過濾分支結構

圖2 自適應特征過濾塊

其中，(i)為第個條狀特征圖。

隨后，利用GAP對(i)進行歸一化并計算條狀特征圖的重要性因子b。接著，使用由個重要性因子構成的重要性與輸入特征圖進行加權融合，進而對特征圖施加跨通道的注意力，使模型進行有效的特征學習并對局部特征進行增強，即

其中，為增強程度參數；?為哈達瑪積運算。

由于條狀特征圖的重要性權重越大，其對應的特征信息量也越大，為使下級特征提取網絡能有效學習潛在的細粒度特征信息。本文通過特征抑制向量對信息量大的特征進行特征抑制并過濾，進而排除多余特征信息的干擾。其中特征抑制向量取決于重要性因子b，當b為中的最大值時，抑制因子S=1-b，反之S=1，表示抑制程度參數。特征抑制輸出為

1.3 特征互補融合模塊

由于局部增強特征來自于MFB，具有多尺度信息，所以局部增強特征之間的信息存在細微差異。因此，本文算法采用FCFM對不同的局部增強特征進行信息互補，通過聚合不同局部增強特征之間的互補信息對局部特征進行細化。FCFM的結構如圖3所示。

圖3 特征互補融合塊

FCFM通過對局部增強特征間的相似度矩陣進行反運算，獲取局部增強特征間的互補信息矩陣。隨后，利用互補信息矩陣對不同的局部增強特征進行信息互補融合。局部增強特征間的相似度矩陣為

其中，(,)=T，X與X分別為不同尺度的局部增強特征；為局部增強特征間的相似度矩陣，互補信息矩陣為-。相似度矩陣中元素相似性越高，局部增強特征間的互補信息越弱。

最后，通過對不同局部增強特征的互補信息進行聚合，從而獲取局部特征輸出為

其中，為融合參數，取值為0.5；Y為不同局部增強特征的互補信息。

1.4 算法整體框架

特征自適應過濾的視網膜病變分級算法主要由MFB，AFFB和FCFM組成。該算法通過MFB與AFFB對視網膜病變圖像進行逐級處理，迫使網絡模型持續挖掘視網膜病變圖像的潛在細粒度特征。然后，使用FCFM對局部增強特征進行信息互補，并對局部增強特征的互補信息進行聚合。最后，利用組合損失函數對分級模型進行訓練。本文算法結構如圖4所示。

圖4 算法整體框架

2 損失函數

該算法采用焦點(Focal)損失函數用于緩解視網膜病變圖像樣本不均衡對DR分級性能造成的影響，并結合細粒度分類損失函數(mutual channel，MC)輔助DR分級模型充分學習視網膜病變圖像中的細粒度特征。

Focal損失函數主要通過加權誤差調制指數來重塑交叉熵，以減輕樣本不均衡對模型的影響，即

其中，為加權誤差調制系數；p為標簽預測概率。

MC損失函數主用于輔助網絡模型學習細粒度特征，其由差異性分支(dis)與多樣性分支(div)加權組成，即

其中，為特征圖；為加權值，取值為10。

差異性分支由通道注意(channel-wise attention，CWA)、跨通道最大池化(cross-channel max pooling，CCMP)、GAP和Softmax層構成。其中CWA用于捕獲特征通道中的差異特征信息，CCMP用于計算特征通道上的最大類別響應，并對通道維度和空間維度進行降維。多樣性分支由Softmax層、CCMP、Sum和Average構成，用于計算不同類別特征通道之間的相似度，及同時獲取不同感興趣區域。細粒度分類損失的結構如圖5所示。

圖5 細粒度分類損失結構圖

為提高MFB的特征提取能力，本文算法的總損失中還引入了不同尺度過濾分支的分類損失，即

3 數據集及其預處理

3.1 數據集來源

本文所使用的IDRiD[12]數據集來源于2018年舉行的IEEE生物醫學圖像國際研討會，其中包括516張眼底圖像，分辨率為4288×4288。該數據集根據國際臨床DR嚴重程度標準，將視網膜圖像分為5類，如圖6所示。該數據集的樣本分布見表1。

3.2 數據預處理

由于視網膜病變圖像的背景區域與病變區域對比不明顯，故先采用高斯平滑對視網膜病變圖像進行預處理，再與原圖(G)進行加權融合，進而提高視網膜病變圖像的對比度，并減少其他背景的干擾，即

其中，=4，=-4，=128；*為濾波操作；G為二維高斯核；I為經過加權融合后的圖像。預處理前后對比結果如圖7所示。

圖6 糖尿病視網膜病變類型((a)健康；(b)輕度非增殖性；(c)中度非增殖性；(d)重度非增殖性；(e)增殖性)

表1 IDRiD數據樣本分布

圖7 預處理對比結果((a)出血；(b)滲出物)

此外，本文針對IDRiD數據集的樣本總量較小的問題，采用了隨機水平和垂直翻轉、隨機旋轉與色彩抖動等數據增強方式對IDRiD數據集進行數據增強。

4 實驗與討論

本文所有的實驗均在Ubuntu16.04操作系統進行，基于Pytorch1.5框架建模，仿真平臺為pycharm。計算機配置為Nvidia GeFore GTX2070 GPU，Intel Core TM i7-6700H CPU，16 G內存。本文訓練集包含413張視網膜病變圖像，測試集采用103張視網膜病變圖，訓練批次為5，學習率為0.002。

4.1 實驗定性分析

4.1.1 混淆矩陣

為分析本文算法與其他DR分級算法在IDRiD數據集上的預測性能，圖8給出了本文算法與其他算法的混淆矩陣。圖8(a)和(b)分別來源于文獻[2]和文獻[13]；圖8(c)采用文獻[10]的方法對IDRiD數據集進行訓練后的預測結果，其訓練參數與本文算法保持一致；圖8(d)為本文算法的預測結果。

分析圖8可知，本文算法的混淆矩陣對角線樣本分布更為集中，且大多數誤分樣本均被分成相鄰類，而其他3種算法的混淆矩陣中部分樣本被錯分為其他類的情況嚴重。如果在實際臨床中發生上述嚴重錯分情況，則會出現誤診，導致患者錯過最佳治療時間。

通過對比本文算法與其他DR分級算法發現，本文算法對早中期的視網膜病變預測效果更明顯。其中對于視網膜病變等級為1，2以及3的樣本，不僅正確預測結果增多，還使得誤分類數據樣本越靠近主對角線位置區域。

由于IDRiD數據集測試樣本偏少，為防止本文算法在IDRiD數據集上的實驗結果出現隨機性。于是在APTOS2019數據集上進行了增強對比實驗，用于檢驗本文算法在IDRiD數據集上的預測結果。實驗采用ResNet-50網絡、文獻[10]及本文3種模型均在APTOS2019數據集上進行訓練并測試，且前兩種模型訓練參數設置與本文算法保持一致。

圖8 混淆矩陣((a)文獻[2]；(b)文獻[13]；(c)文獻[10]；(d)本文算法)

在APTOS2019數據集上的混淆矩陣對比結果如圖9所示。其中，ResNet-50網絡與文獻[10]的預測樣本分布較為散亂，且對應樣本誤分為其他類別的情況較嚴重。此外，其對角線上的樣本總量較少，預測結果不理想。而本文算法的預測效果好于ResNet-50和文獻[10]所對應的分級模型，尤其對早中期視網膜病變圖像的預測上，具有明顯的優勢。

此外，本文算法模型的混淆矩陣中誤分類樣本主要為相鄰類，而不是誤分為其他類，與在IDRiD數據集上的混淆矩陣可視化結果類似，進而驗證了本文算法在IDRiD數據集上的結果的可靠性。

4.1.2 熱力圖

(1) 可視化局部增強特征。為分析MFB與AFFB逐級挖掘視網膜病變圖像局部特征的過程。圖10給出了IDRiD數據集中健康、輕度非增殖、中度非增殖、重度非增殖與增殖性5種視網膜病變圖像在不同Stage階段的特征可視化結果。其中Stage1階段的輸出特征主要為視網膜病變圖像的淺層特征，該階段靠近模型的輸入端，特征提取能力有限。

隨著模型逐級加深，視網膜病變圖像的局部細節區域逐漸被關注。由輕度非增殖病變與重度非增殖病變的Stage2階段所對應的特征可視化結果可看出，模型的下一階段特征輸出更關注于視網膜病變圖像的病變區域。不同Stage階段的特征可視化結果證明MFB以及AFFB能充分挖掘視網膜病變圖像的局部細節特征并豐富視網膜病變圖像的細粒度特征。

圖9 增強對比實驗((a) ResNet-50網絡；(b)文獻[10]；(c)本文算法)

圖10 可視化結果((a)健康；(b)輕度非增殖性；(c)中度非增殖性；(d)重度非增殖性；(e)增殖性)

(2) 可視化預測結果。本文算法與ResNet-50網絡模型在IDRiD數據集上的預測結果如圖11所示。由于僅依靠ResNet-50網絡模型提取視網膜病變圖像特征的方式簡單，模型未能充分學習視網膜病變圖像的細粒度特征信息，進而導致模型的分級預測結果較差。而本文算法通過MFB與AFFM逐級挖掘視網膜病變圖像的潛在細粒度特征，能使模型高效地區分視網膜病變圖像的病變區域，提高分級模型的預測能力。

4.2 實驗定量分析

4.2.1 評價指標

本文采用敏感性(sensitivity，Sen)、特異性(specificity，Spe)、準確率(accuracy，Acc)和加權Kappa系數(quadratic weighted kappa，QWK)對分級模型的性能進行評估，即

其中，TP，FP，FN和TN分別為真陽性、假陽性、假陰性、真陰性的樣本數量。

加權Kappa系數為模型的一致性度量，加權Kappa系數越大，模型的一致性越高，即

其中，為總類別數；W,j為第類與類的懲罰權重；Q,j為第類判別為類的數量；E,j為第類的總數×第類的總數/總數。

圖11 預測對比結果((a)原圖；(b) ResNet-50；(c) Ours)

4.2.2 與其他DR分級算法的對比

表2為本文算法與其他分級算法在IDRiD數據集上的實驗對比，其他算法的對比結果分別來源于對應參考文獻。SIRAJUDEEN和EZHILARASI[14]采用的LBP算子雖然特征維度低，計算速度快，但亮度不均衡的視網膜病變圖像會影響LBP算子學習視網膜病變圖像的真實紋理特征。QIAO等[15]則采用Gabor濾波器提取視網膜病變圖像的紋理特征，再結合支持向量機(support vector machine，SVM)分類器對視網膜病變圖像進行分級預測。其中Gabor濾波器雖然對于圖像的亮度和對比度變化以及圖像姿態變化具有較強的魯棒性，但模型的分級性能仍與本文算法有一定差距。BHARDWAJ等[16]利用深度神經網絡從眼底圖像中提取特征，并與機器學習方法進行結合，雖然分級性能有很大進步但依然低于本文算法。WU等[17]先利用粗網絡判定眼底圖像中是否存在病變，然后再利用細網絡對粗網絡的預測結果進行分級預測，雖然在一定程度上解決了正常樣本與患病樣本之間的分布不均衡，但分級效果與本文算法仍有一定差距。

此外，本文算法還對不同分級模型在IDRiD數據集上的一致性度量進行了對比，結果由表3可知，本文算法的模型一致性度量較好且優于現有DR分級算法。

表2 不同DR分級算法對比結果

注：加粗數據為最優值

表3 一致性度量對比

注：加粗數據為最優值

4.2.3 消融實驗

為驗證本文算法模型的組合損失函數以及模型各組件的有效性，在IDRiD數據集上對本文算法進行了消融實驗與分析。消融實驗主要分為組合損失函數和模型組件2部分。

(1) 組合損失函數。不同損失函數對DR分級性能的影響結果由表4可知，使用MC損失函數輔助優化后的分級算法與僅采用交叉熵損失(cross entropy，CE)或Focal損失函數的算法相比，前者的分級性能具有明顯優勢，證明MC損失函數能有效輔助模型獲取視網膜病變圖像的細粒度特征信息。此外，采用Focal損失函數的分級算法與采用CE損失函數的分級算法相比，前者的加權Kappa比后者高出2.25%，由此說明Focal損失函數對提升視網膜病變分級模型的一致性度量有明顯效果。

注：加粗數據為最優值

(2) 模型組件。表5給出了分級模型不同組件的消融實驗結果。由表5可知，去掉AFFB的分級模型由于缺少自適應特征過濾，MFB逐級挖掘細節特征的能力減弱，分級效率降低；去掉FCFM的模型輸出僅由不同尺度的局部增強特征直接相加，導致局部增強特征的互補信息缺失，進而降低了模型的分級性能；采用CE損失函數替代組合損失函數的模型，由于DR樣本分布不均衡以及細粒度特征不易識別的影響，模型的分級性能同樣有所下滑。

表5 消融對比實驗(%)

注：加粗數據為最優值

綜上，本文算法所采用的AFFB，FCFM以及組合損失函數對提升視網膜病變分級性能有明顯效果。

5 結束語

本文針對視網膜病變圖像特征識別困難以及病變分級效率不高等問題，提出一種特征自適應過濾的視網膜病變分級算法。首先，該算法采用逐級特征提取的方式對視網膜病變圖像進行處理，以獲取視網膜圖像不同尺度的局部特征信息。然后，采用AFFB與FCFM增強視網膜病變圖像的局部特征信息。最后，使用組合損失函數對視網膜病變分級模型進行優化訓練。實驗結果表明，該算法能有效定位視網膜病變圖像的病變區域并提高分級效率。但由模型的預測結果可知，DR后期的分級準確率還有較大提升的空間。

[1] OGURTSOVA K, GUARIGUATA L, BARENGO N C, et al. IDF diabetes Atlas: global estimates of undiagnosed diabetes in adults for 2021[J]. Diabetes Research and Clinical Practice, 2022, 183: 109118.

[2] SHI L, ZHANG J X. Few-shot learning based on multi-stage transfer and class-balanced loss for diabetic retinopathy grading[EB/OL]. [2022-01-28]. https://arxiv.org/abs/2109.11806.

[3] 謝云霞, 黃海于, 胡建斌. 基于深度卷積神經網絡的糖尿病視網膜病變分期及病灶檢測[J]. 計算機應用, 2020, 40(8): 2460-2464.

XIE Y X, HUANG H Y, HU J B. Staging and lesion detection of diabetic retinopathy based on deep convolution neural network[J]. Journal of Computer Applications, 2020, 40(8): 2460-2464 (in Chinese).

[4] 顧婷菲, 郝鵬翼, 白琮, 等. 結合多通道注意力的糖尿病性視網膜病變分級[J]. 中國圖象圖形學報, 2021, 26(7): 1726-1736.

GU T F, HAO P Y, BAI C, et al. Grading of diabetic retinopathy combined with multi-channel attention [J]. Chinese Journal of Image Graphics, 2021, 26(7): 1726-1736 (in Chinese).

[5] 張文軒, 吳秦. 基于多分支注意力增強的細粒度圖像分類[J]. 計算機科學, 2022, 49(5): 105-112.

ZHANG W X, WU Q. Fine-grained image classification based on multi-branch attention-augmentation[J]. Computer Science, 2022, 49(5): 105-112 (in Chinese).

[6] DU R Y, CHANG D L, BHUNIA A K, et al. Fine-grained visual classification via progressive multi-granularity training of jigsaw patches[M]//Computer Vision - ECCV 2020. Cham: Springer International Publishing, 2020: 153-168.

[7] CHANG D L, DING Y F, XIE J Y, et al. The devil is in the channels: mutual-channel loss for fine-grained image classification[J]. IEEE Transactions on Image Processing, 2020, 29: 4683-4695.

[8] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[C]//2017 IEEE International Conference on Computer Vision. New York: IEEE Press, 2017: 2999-3007.

[9] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2016: 770-778.

[10] SONG J W, YANG R Y. Feature boosting, suppression, and diversification for fine-grained visual classification[C]//2021 International Joint Conference on Neural Networks. New York: IEEE Press, 2021: 1-8.

[11] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2018: 7132-7141.

[12] PORWAL P, PACHADE S, KAMBLE R, et al. Indian diabetic retinopathy image dataset (IDRiD): a database for diabetic retinopathy screening research[J]. Data, 2018, 3(3): 25.

[13] LUO L, XUE D Y, FENG X L. Automatic diabetic retinopathy grading via self-knowledge distillation[J]. Electronics, 2020, 9(9): 1337.

[14] SIRAJUDEEN A, EZHILARASI M. Multi-scale LBP and SVM classification to identify diabetic retinopathy in lesions[J]. Current Medical Imaging Reviews, 2015, 11(1): 49-55.

[15] QIAO L, ZHU Y, ZHOU H. Diabetic retinopathy detection using lesions[J]. Current Medical Imaging Reviews, 2015, 11(1): 49-55.

[16] BHARDWAJ C, JAIN S, SOOD M. Transfer learning based robust automatic detection system for diabetic retinopathy grading[J]. Neural Computing and Applications, 2021, 33(20): 13999-14019.

[17] WU Z, SHI G L, CHEN Y, et al. Coarse-to-fine classification for diabetic retinopathy grading using convolutional neural network[J]. Artificial Intelligence in Medicine, 2020, 108: 101936.

[18] LIN T Y, ROYCHOWDHURY A, MAJI S. Bilinear CNN models for fine-grained visual recognition[C]//2015 IEEE International Conference on Computer Vision. New York: IEEE Press, 2015: 1449-1457.

[19] YU C J, ZHAO X Y, ZHENG Q, et al. Hierarchical bilinear pooling for fine-grained visual recognition[M]//Computer Vision - ECCV 2018. Cham: Springer International Publishing, 2018: 595-610.

[20] WANG Y M, MORARIU V I, DAVIS L S. Learning a discriminative filter bank within a CNN for fine-grained recognition[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2018: 4148-4157.

[21] PORWAL P, PACHADE S, KOKARE M, et al. IDRiD: diabetic retinopathy - segmentation and grading challenge[J]. Medical Image Analysis, 2020, 59: 101561.

[22] ARAúJO T, ARESTA G, MENDON?A L, et al. DR|GRADUATE: uncertainty-aware deep learning-based diabetic retinopathy grading in eye fundus images[J]. Medical Image Analysis, 2020, 63: 101715.

Feature-adaptive filtering for retinopathy grading

LIANG Li-ming, LEI Kun, ZHAN Tao, ZHOU Long-song

(School of Electrical Engineering and Automation, Jiangxi University of Science and Technology, Ganzhou Jiangxi 341000, China)

To address the difficulty in recognizing features of retinopathy images and the low efficiency of disease grading, a retinopathy grading algorithm based on feature adaptive filtering was proposed. Firstly, the algorithm used the multi-scale filtering branches (MFB) constructed by the ResNet-50 network to extract features of retinopathy images step by step. Secondly, cascade adaptive feature filter blocks (AFFB) was adopted after filtering branches of different scales to perform feature enhancement and filtering on retinopathy images. Then, the feature complementary fusion module (FCFM) was utilized to complement the multiple local enhancement features after feature filtering, and enrich the local details of the retinopathy image by aggregating the complementary information of the local enhancement features. Hierarchical models with different local feature information were trained and experiments were performed on the IDRiD dataset. The experimental results show that the accuracy of the proposed grading algorithm was 80.58%, the weighted kappa coefficient 88.70%, the specificity 94.20%, and the sensitivity 94.10%. The algorithm could effectively identify the subtle lesions in retinopathy images and improve the grading efficiency.

retinopathy; lesion grading; adaption; feature filtering; multi-scale features

TP 391

10.11996/JG.j.2095-302X.2022050815

A

2095-302X(2022)05-0815-10

2022-03-16；

2022-06-15

16 March，2022；

15June，2022

國家自然科學基金項目(51365017，6146301)；江西省自然科學基金(20192BAB205084)；江西省教育廳科學技術研究重點項目(GJJ170491)

National Natural Science Foundation of China (51365017，6146301);Natural Science Foundation of Jiangxi Province (20192BAB205084); Key Project of Science and Technology Research of Jiangxi Provincial Department of Education (GJJ170491)

梁禮明(1967–)，男，教授，碩士。主要研究方向為醫學圖像處理、計算機視覺等。E-mail：9119890012@jxust.edu.cn

LIANG Li-ming (1967-), professor, master. Hismain research interests cover medical image processing, computer vision, etc. E-mail：9119890012@jxust.edu.cn