基于深度学习SERA-Net网络的糖网病病变检测模型研究

作者：张荣芬^*; 宋鑫; 蔡乾宏; 刘宇红

来源：贵州大学学报(自然科学版), 2021, 38(06): 67-74.

DOI：10.15958/j.cnki.gdxbzrb.2021.06.11

• 糖尿病视网膜病变分级
• 深度学习
• 注意力机制

为了对糖尿病视网膜病变的严重程度进行更准确的分类,提出了一种基于深度学习的糖尿病视网膜病变(diabetic retinopathy,DR)程度分级模型SERA-Net。首先,对输入的眼底图像使用主干网络SE-ResNeXt-50进行特征提取,避免了网络深度和宽度不断增加所导致的模型收益递减,在保证网络参数的情况下增加了模型的准确率。其次,将提取到的特征图输入Attention-Net,利用通道注意力和空间注意力相互促进,让网络在关注有用特征信息的同时忽略无用的背景噪音信息,使得DR分级结果更准确。再次,将特征图和注意力图通过乘法操作进行融合得到掩膜,进一步将注意力图和掩膜各自全局平均池化后再将两者的池化结果相除。最后,通过Softmax函数对结果进行五分类。实验结果表明:所得模型在EyePACE数据集上测试的二次加权Kappa分数为0.760 6、分类准确度的平均值(average of classification accuracy,ACA)为0.557 4、平均ROC曲线下的面积(area under curve,AUC)为0.871 9,在糖尿病视网膜病变五分类任务里拥有较好的分类性能。

• 单位
  贵州大学