基于改进YOLOv5的视网膜黄斑病变分类检测算法

摘要

视网膜黄斑病变是失明的重要原因之一，人工筛查容易出现误诊，而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法，针对黄斑病变图像细微特征融合不充分的问题，将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络，实现高效的多尺度特征融合，以获得更好的黄斑病变细节特征；针对小目标病变检测能力差的问题，在模型中引入SK注意力机制，通过自适应地调整感受野，增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%，全类平均准确率由原来的93.4%提升到96.6%，且在相同条件下，该算法的表现优于其他目标检测网络模型。

关键词

目标检测 / 视网膜黄斑病变 / 加权双向特征金字塔网络 / 注意力机制

基金资助

山西省自然科学基金资助项目（202103021224202）; 山西省归国留学人员科研基金资助项目（20210038）