基于GreenBen数据增强的糖尿病视网膜病变图像分类方法研究

摘要

糖尿病视网膜病变（diabetic retinopathy,DR）是常见的糖尿病慢性并发症之一，它的准确分类有助于眼科医生为患者量身定制治疗方案。糖尿病性黄斑水肿（diabetic macular edema,DME）是与DR密切相关的一种并发症，常用来与DR进行多任务学习进而辅助DR诊断。目前，针对DR分级诊断的深度学习方法主要集中于网络结构的设计，而对数据增强技术的研究相对较少。本研究提出了一种新颖的数据增强方法 GreenBen。该方法将绿色通道的特征去冗余特性与Ben增强的背景抑制能力相结合，设计简洁但成效显著。在3个公开数据集上进行了广泛实验，实验结果表明：无论是DR单独分类还是多任务联合分类，无论采用卷积神经网络（convolutional neural networks,CNN）还是Transformer模型，与其他数据增强方法相比，GreenBen均取得了稳定且明显的效果提升，分类准确度平均提升4%，最高提升可达10%。

关键词

图像分类 / 糖尿病视网膜病变 / 糖尿病性黄斑水肿 / 多任务学习 / 数据增强

基金资助

国家自然科学基金(92367111)