基于卷積神經(jīng)網(wǎng)絡(luò)的糖尿病視網(wǎng)膜病變圖像分類模型研究

摘要：針對(duì)糖尿病視網(wǎng)膜病變自動(dòng)分級(jí)問(wèn)題，文章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的糖尿病視網(wǎng)膜病變圖像分類模型。該模型采用MobileNet和DenseNet 2種結(jié)構(gòu)作為主干網(wǎng)絡(luò)，并在此基礎(chǔ)上引入類別權(quán)重函數(shù)和注意力機(jī)制進(jìn)行改進(jìn)。Aptos-2019數(shù)據(jù)集上的五分類實(shí)驗(yàn)結(jié)果表明，文章設(shè)計(jì)的糖尿病視網(wǎng)膜分類模型能夠?qū)Σ∽儓D像進(jìn)行有效檢測(cè)，在五分類任務(wù)中的準(zhǔn)確率達(dá)到了0.8310。

關(guān)鍵詞：糖尿病視網(wǎng)膜病變檢測(cè)；圖像分類；MobileNet；DenseNet；注意力機(jī)制

中圖分類號(hào)：R587.2；R774.1；TP391.41；TP183" 文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)志碼

作者簡(jiǎn)介：周凱（2001— ），男，本科生；研究方向：醫(yī)學(xué)影像處理。

0" 引言

根據(jù)國(guó)際糖尿病聯(lián)盟（International Diabetes Federation， IDF）的最新報(bào)告［1］，截至2021年，全球范圍內(nèi)大約有5.37億人被診斷出患有糖尿病，到2045年這一數(shù)據(jù)預(yù)計(jì)將增長(zhǎng)至7.83億。由此看來(lái)，糖尿病已成了一個(gè)全球性的健康問(wèn)題［2］。

糖尿病視網(wǎng)膜病變（Diabetic Retinopathy，DR）是一種由糖尿病引發(fā)的影響眼睛視網(wǎng)膜血管的慢性疾病。傳統(tǒng)的DR診斷方法依賴于眼科醫(yī)生對(duì)視網(wǎng)膜圖像的手動(dòng)檢查，而深度學(xué)習(xí)技術(shù)的發(fā)展為醫(yī)學(xué)影像分析開(kāi)辟了新天地。

1" DR數(shù)據(jù)集及分級(jí)

DR會(huì)在視網(wǎng)膜上引發(fā)多種病癥，正常視網(wǎng)膜圖像和DR圖像對(duì)比如圖1所示。依據(jù)DR病變嚴(yán)重程度可以將DR分為5個(gè)階段，分別為無(wú)病變（NO-DR）、輕度非增殖性病變 （Mild NPDR）、中度非增殖性病變（Moderate NPDR）、重度非增殖性病變 （Severe NPDR）、增殖性病變（PDR）［3］。

糖尿病視網(wǎng)膜病變等級(jí)劃分及臨床表現(xiàn)和5種不同糖尿病視網(wǎng)膜病變程度的圖像分別如表1和圖2所示。

本文所采用的數(shù)據(jù)集來(lái)源于Kaggle競(jìng)賽官網(wǎng)的APTOS-2019失明檢測(cè)的公開(kāi)數(shù)據(jù)集，包含從印度農(nóng)村許多參與者收集的3662個(gè)樣本，按照5個(gè)類別進(jìn)行分類，其中1805張圖像是無(wú)病變特征的，370張圖像是輕度非增殖性病變，999張圖像是中度非增殖性病變，193張圖像具有嚴(yán)重非增殖性病變特征，295張圖像是增殖性病變。

2" 基于注意力機(jī)制和權(quán)重類別函數(shù)的DR分級(jí)模型

2.1" 圖像預(yù)處理

在醫(yī)學(xué)影像分析領(lǐng)域，尤其是在眼科影像數(shù)據(jù)分析這樣要求高精度的領(lǐng)域，圖像預(yù)處理對(duì)模型分類的效果有著很大的影響。因此，原數(shù)據(jù)集將按照以下步驟進(jìn)行圖像預(yù)處理。

（1）調(diào)整圖像大小：調(diào)整圖像大小可以確保所有圖像具有相同的尺寸。

（2）剪黑邊：剪黑邊是指在圖像處理中去除圖像邊緣不需要的部分。

（3）歸一化：歸一化是將圖像像素值從原始的范圍（通常是0～255）轉(zhuǎn)換到一個(gè)標(biāo)準(zhǔn)化的范圍（通常是0～1）。

（4）中值濾波：中值濾波是基于排序統(tǒng)計(jì)理論，主要用于消除圖像中的噪點(diǎn)。

（5）數(shù)據(jù)增強(qiáng)：該過(guò)程利用ImageDataGenerator類對(duì)圖像進(jìn)行一些變化操作來(lái)增加圖像數(shù)據(jù)的多樣性。

2.2" DR分級(jí)模型

2.2.1" 注意力機(jī)制

注意力機(jī)制的概念最初源于20世紀(jì)90年代計(jì)算機(jī)視覺(jué)的研究［4］。該方法借鑒了人類對(duì)信息的選擇性關(guān)注，專注于數(shù)據(jù)的關(guān)鍵信息，以提升模型的效率和性能。在分析醫(yī)學(xué)圖像時(shí)，模型會(huì)優(yōu)先處理關(guān)鍵元素。與傳統(tǒng)的CNN相比，注意力機(jī)制能夠有效提高模型性能。

2.2.2" 類別權(quán)重訓(xùn)練

類別權(quán)重訓(xùn)練給予在數(shù)據(jù)集中較少出現(xiàn)的類別

更高的權(quán)重，以此來(lái)強(qiáng)化模型對(duì)這些少數(shù)類別的學(xué)習(xí)。通過(guò)強(qiáng)化對(duì)少數(shù)類別的學(xué)習(xí)，模型可以在各種類別上都獲得更好的預(yù)測(cè)性能，并緩解過(guò)擬合問(wèn)題。

如圖3所示，從輸入層開(kāi)始，主干網(wǎng)絡(luò)選擇MobileNet和DenseNet模型，后續(xù)引入注意力機(jī)制和類別權(quán)重函數(shù)進(jìn)行DR五分類。

2.3" 評(píng)估指標(biāo)

（1）準(zhǔn)確率的計(jì)算公式如下：

Accuracy=TP+TNTP+TN+FP+FN（1）

TP表示真正例（True Positives），TN表示真負(fù)例（True Negatives），F(xiàn)P表示假正例（False Positives），F(xiàn)N表示假負(fù)例（False Negatives）。

（2）精確度的計(jì)算公式如下：

Precision=TPTP+FP（2）

（3）召回率計(jì)算公式如下：

Recall=TPTP+FN（3）

（4）F1分?jǐn)?shù)計(jì)算公示如下：

F1=2×Precision×RecallPrecision+Recall（4）

（5）Kappa系數(shù)：其計(jì)算公式為：

κ=Po-Pe1-Pe（5）

其中，Po是準(zhǔn)確率，Pe是隨機(jī)一致性的預(yù)期概率。

2.4" DR五分類

在DR五分類任務(wù)中，討論2種模型的不同結(jié)構(gòu)測(cè)試結(jié)果，通過(guò)對(duì)比表2可以得出在DR五分類任務(wù)中DenseNet系列模型分類性能和MobileNet系列差別不大，其中MobileNet的分類效果最好，準(zhǔn)確率達(dá)到了0.7657。DenseNet169和DenseNet201 2個(gè)結(jié)構(gòu)的分類性能差距不大，僅次于MobileNet，MobileNetV2和DenseNet121的分類效果較差。

在引入類別權(quán)重函數(shù)之后，不同層數(shù)的2種模型分類性能都有了新的提升，分析表3的測(cè)試結(jié)果可以得出，DenseNet201的分類性能最好，優(yōu)于MobileNet，準(zhǔn)確率達(dá)到了0.7902。

在引入類別權(quán)重函數(shù)的基礎(chǔ)上再引入注意力機(jī)制，如表4所示，所有結(jié)構(gòu)的測(cè)試指標(biāo)值均有所提升，其中提升最大的為DenseNet121結(jié)構(gòu)，此時(shí)DenseNet201的分類性能依舊是最好的，準(zhǔn)確率達(dá)到了0.8310。

3" 結(jié)語(yǔ)

本文通過(guò)引入注意力機(jī)制和類別權(quán)重函數(shù)，提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的糖尿病視網(wǎng)膜病變圖像分類模型，提升了模型的分類性能。通過(guò)改進(jìn)后的模型對(duì)糖尿病視網(wǎng)膜病變五分類任務(wù)進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明，在現(xiàn)有模型中加入類別權(quán)重函數(shù)和注意力機(jī)制，能夠顯著提高模型在糖尿病視網(wǎng)膜病變分類任務(wù)中的準(zhǔn)確率。

參考文獻(xiàn)

［1］鄧華杏.腸道菌群與2型糖尿病并骨質(zhì)疏松的相關(guān)性［D］.桂林：桂林醫(yī)學(xué)院，2021.

［2］張志強(qiáng)，趙可輝，牛惠芳，等.深度學(xué)習(xí)在糖尿病視網(wǎng)膜病變分級(jí)中的應(yīng)用［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2024（1）：231-244.

［3］WILKINSON C P，F(xiàn)ERRIS F L，KLEIN R E，et al.Proposedinternational clinical diabetic retinopathy and diabetic macular edema disease severity scales［J］.Ophthalmology，2003（9）：1677-1682.

［4］KELES F D，WIJEWARDENA P M，HEGDE C.On the computational complexity of self-attention［C］//International Conference on Algorithmic Learning Theory，PMLR，2023：597-619.

（編輯" 王雪芬）

Research on diabetic retinopathy image classification model based on convolutional neural network

ZHOU" Kai， CHEN" Qinghui， DAI" Zhuangzhuang

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

Abstract： Aiming to address the issue of automatic classification of diabetic retinopathy， this paper introduces model for classifying diabetic retinopathy images based on convolutional neural network. The model utilizes two structures， MobileNet and DenseNet， as the backbone networks， and incorporates a category weight function and attention mechanism for enhancement. The experimental results on the Aptos-2019 dataset， which consists of five categories， demonstrate that the diabetic retinopathy classification model proposed in this paper can efficiently identify lesion images， achieving an accuracy of 0.8310 in the five-category task.

Key words： diabetic retinopathy detection; image classification; MobileNet; DenseNet; attention mechanism