基于深度学习的糖尿病眼底病变分级方法研究

摘要

针对目前糖尿病视网膜病变图像人工分级困难、识别精度差等问题,研究了一种基于复合缩放模型的糖尿病视网膜病变图像分级方法,用于检测糖尿病视网膜病变,达到辅助医师诊断的目的.首先对糖尿病眼底病变图像进行了详细分析,经过图像预处理后,采用图像混合增强图像特征,同时使用图像翻转、图像加噪、调节对比度等不同方式扩充训练集,最后利用迁移学习和基于复合缩放模型方法进行糖尿病眼底图像病变程度分级.经过多组实验表明,该方法对糖尿病视网膜病变图像分级的准确率高达92％,Kappa系数高达0.88.所提出的方法无需指定病变的特征就能够达到高精度的病变分级,相较于AlexNet、LeNet、CompactNet、ResNet等模型两项指标有显著提升,对糖尿病视网膜病变诊断能提供有效的科学依据,同时对研究其他眼底病变图像也有一定参考价值.