基于ME-ANet模型的糖尿病视网膜病变分级

作     者：程小辉 李贺军 邓昀 陶小梅 黎辛晓 CHENG Xiaohui;LI Hejun;DENG Yun;TAO Xiaomei;LI Xinxiao

作者机构：桂林理工大学信息科学与工程学院广西桂林541006 广西嵌入式技术与智能系统重点实验室广西桂林541006 

出 版 物：《广西科学》 (Guangxi Sciences)

年 卷 期：2022年第29卷第2期

页      面：249-259页

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61906051) 广西自然科学基金项目(2018GXNSFAA281235) 广西中青年教师基础能力提升项目(2018KY0248,2020KY06026)资助 

主　　题：糖尿病视网膜病变 迁移学习 集成模块 注意力机制 特征融合 

摘      要：糖尿病视网膜病变(Diabetic Retinopathy,DR)是一种致盲率很高的眼科疾病。不同病变等级的视网膜图像之间差异小且病灶点分布无规律。针对现有深度模型对DR中的相似病灶点识别率低,严重影响模型分类精度的问题,本研究以深度学习为基础,构建新的模型架构进行训练,提出一种集成MobileNetV2和EfficientNetB0深度模型的注意力网络:ME-ANet。模型集成分为头部和主干两部分,将深度模型的浅层部分融合构成网络的头部,训练时采用迁移学习的策略对网络模型参数进行初始化,减少训练中的过拟合问题。主干部分利用上述两种模型的核心结构,设计3个阶段集成模块进行特征提取。同时设计全局注意力机制(Global Attention Mechanism,GAM)并分别嵌入到3个阶段的集成模块中。模型的改进加速了网络的收敛速度,该网络模型实现了对图像浅层信息的特征融合提取,减少了微病灶特征信息在训练过程中的卷积丢失问题,模型的分类精度进一步得到改善。通过模型集成构建特征提取主干网络,提高了模型对低级特征信息的学习,注意力机制抑制非病变特征信息,强化典型病灶特征学习,从而实现细粒度分类,进一步提升了模型的分类性能。