基于深度融合网络研究糖尿病视网膜病变

摘要

基于深度学习提出一种融合网络，旨在高效、准确地辅助诊断糖尿病性视网膜病。采用数据增强技术与生成对抗网络相结合的手段，对EyePACS数据集内的眼底图像实施扩充操作，有效应对眼底图像分类不均衡的难题。使用Inception-Resnet-V2作为主网络，并融入深度残差收缩网络和金字塔分割注意力模块，有效地过滤掉特征学习过程中的无关信息，聚焦病灶信息，提高网络对重要特征的抓取能力。实验结果显示该优化模型能在无需事先指明病变特征的情况下，准确率、召回率、特异性、灵敏度以及F1分数达到0.951、0.950、0.990、0.950、0.950，表明本文模型在评价指标上都有较好的性能。

关键词

糖尿病视网膜病变 / 深度学习 / 深度残差收缩网络 / 金字塔分割注意力模块

基金资助

甘肃省自然科学基金（20CX9JA145）; 兰州市科技计划项目（2023-4-36）