基于改進YOLOv3網(wǎng)絡(luò)的超廣角眼底圖像視網(wǎng)膜病變智能診斷方法研究

廖國糧 王通 韓霖 莊艷 陳科 林江莉

摘要：視網(wǎng)膜病變是致盲的主要因素，如能早發(fā)現(xiàn)，眾多致盲可以避免。該文以大病變視網(wǎng)膜脫離和小病變硬性滲出為例，進行超廣角眼底圖像視網(wǎng)膜病變智能診斷研究。該文通過改進YOLOv3構(gòu)建了新型病變深度檢測網(wǎng)絡(luò)，并研究了數(shù)據(jù)擴增數(shù)量對模型的影響規(guī)律。研究結(jié)果表明，擴增4倍有助于提升性能，進一步擴增反而下降。實驗訓(xùn)練集含1100張，驗證集含219張，大、小病變的召回率分別提升到91.19%和67.90%，精確率分別提升到92.95%和77.46%。

關(guān)鍵詞：超廣角眼底圖像；目標檢測；YOLOv3；視網(wǎng)膜脫離；硬性滲出

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）27-0027-02

開放科學（資源服務(wù)）標識碼（OSID）：

1 前言

我國是失明以及視障人群最多的國家，截至2019年，有超過800萬人失明，有近5000萬人有中度或重度視力受損。而視網(wǎng)膜疾病是致盲和視力損傷的主要原因之一，如能早發(fā)現(xiàn)早治療，眾多致盲病例可以避免。

現(xiàn)階段最普及的眼底檢查手段是彩色眼底照相，其只能照射約45°的眼底區(qū)域，當病變極其細微或發(fā)生在周邊部，眼底照相幾乎無能為力。 超廣角眼底成像（UWF， Ultra-Widefield Fundus）可檢查200°的視網(wǎng)膜區(qū)域，且無須散瞳，使之成為最理想的眼底疾病早期篩查方式。

盡管UWF有眾多優(yōu)勢，但由于技術(shù)較新且對圖像解讀需要較高的專業(yè)性，目前未能普及。鑒于此，本文分別以一種典型的“大”病變，即視網(wǎng)膜脫離，和“小”病變，即硬性滲出為示范，研究超廣角眼底成像視網(wǎng)膜病變的智能診斷方法。關(guān)于視網(wǎng)膜脫離和硬性滲出的目標檢測國內(nèi)外還未見報道。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)集及標注

UWF數(shù)據(jù)來自四川大學華西醫(yī)院眼科在2016-2020年采集的圖像，采集設(shè)備為歐堡Optos Daytona（P200T）。數(shù)據(jù)來源符合醫(yī)學倫理委員會要求及《赫爾辛基宣言》，所有圖像經(jīng)脫敏處理后納入研究。數(shù)據(jù)集由多名四川大學華西醫(yī)學院資深眼科醫(yī)師遵循病變特征進行標注，標注后的數(shù)據(jù)分為訓(xùn)練集和測試集。訓(xùn)練集共有視網(wǎng)膜脫離800張（病變935處），硬性滲出300張（病變353處）。為保證本研究的科學性和可信度，測試集完全獨立于訓(xùn)練集，是一批全新的樣本，包括視網(wǎng)膜脫離病例147例（包含病變159處），硬性滲出72例，（包含病變81處）。

2.2 數(shù)據(jù)擴增

本文數(shù)據(jù)擴增按兩類方案進行，方案A采用水平及豎直翻轉(zhuǎn)兩種剛性擴增方式，對病變特征無改變，同時采用隨機亮度、對比度增強，將小部分圖像隨機增量或提高對比度，將數(shù)據(jù)集擴增為原始數(shù)量的4倍；方案B為在方案A的基礎(chǔ)上對圖像進行隨機旋轉(zhuǎn)、偏移、尺度變換，會對病變特征造成一定的改變，可將數(shù)據(jù)集進一步擴增為原始數(shù)量的8倍。

實驗從800例視網(wǎng)膜脫離（大病變）病例中分別隨機抽取50、100、200、400例圖像以及全部800例圖像用于模型訓(xùn)練，然后采用兩類擴增方案，分別將數(shù)據(jù)集數(shù)量擴增至4倍或8倍，再次訓(xùn)練模型。300例硬性滲出（小病變）病例按50、100、200的數(shù)量隨機抽取以及全部應(yīng)用，并同樣進行兩類擴增和相應(yīng)訓(xùn)練。

2.3 改進的YOLOv3網(wǎng)絡(luò)

YOLOv3目標檢測網(wǎng)絡(luò)是性能最優(yōu)異的目標檢測網(wǎng)絡(luò)之一，其原理、思想等都在之后的各種優(yōu)秀目標檢測網(wǎng)絡(luò)中有所體現(xiàn)。為了使網(wǎng)絡(luò)運行更快，精度更高，本研究將YOLOv3網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)DarkNet-53替換為了性能優(yōu)異的EfficientNet-B2進行病變的定位和識別，同時調(diào)整YOLOv3的三個有效特征層數(shù)目，提升了訓(xùn)練速度的同時，大幅減少了網(wǎng)絡(luò)的參數(shù)量，改進的YOLOv3如圖1所示[1]。

3 實驗結(jié)果與討論

3.1模型訓(xùn)練

每一組獨立實驗首先加載EfficientNet-B2的預(yù)訓(xùn)練權(quán)重，凍結(jié)主干網(wǎng)絡(luò)后訓(xùn)練25個批次，學習率0.01，Batch Size為32；解凍后訓(xùn)練75個批次，學習率0.001，Batch Size為8；學習率每兩個批次即乘以0.9的衰減因子。對于識別結(jié)果，采用召回率Recall，精確度Precision，平均精確度AP進行評估[2]。

3.3實驗結(jié)果

按照2.2所述的數(shù)據(jù)擴增方案，視網(wǎng)膜脫離（大病變）及硬性滲出（小病變的檢測結(jié)果如表1，表2所示。

可見“大病變”和“小病變”均有如下規(guī)律：（1）原始數(shù)據(jù)量的增加能夠有效地提升模型對病變的檢測能力；（2）數(shù)據(jù)擴增對于病變檢測模型十分有效，尤其在數(shù)據(jù)量較小時（低于200張）；（3）盡管數(shù)據(jù)擴增能夠有效提升模型能力，但更多的原始圖像能夠使模型表現(xiàn)更佳；（4）越小的病變越需要更多的原始數(shù)據(jù)用于訓(xùn)練。

檢測示例如圖2所示。

4? 結(jié)束語

本文針對超廣角眼底成像，以視網(wǎng)膜脫離和硬性滲出為示范進行視網(wǎng)膜病變的智能診斷研究。研究基于YOLOv3目標檢測網(wǎng)絡(luò)進行改進，構(gòu)建了新型病變檢測網(wǎng)絡(luò)，并在小樣本情況下研究數(shù)據(jù)擴增數(shù)量對檢測能力的影響規(guī)律。研究結(jié)果表明，合理的數(shù)據(jù)擴增有利于提升模型性能，但一味擴增不一定有效。在檢測硬性滲出這一類范圍很小、難以檢出的病變時，模型最佳檢出率可達到67.90%，精確率可達到77.46%，受限于原始數(shù)據(jù)量，無法做進一步的驗證與調(diào)優(yōu)，在后續(xù)研究中，我們將通過進一步采集和標注小病變圖像，提升深度學習模型的檢測性能。

參考文獻：

[1] 楊富強，余波，趙嘉彬，等.基于改進YOLOv3的橋梁底部裂縫目標檢測方法[J].中國科技論文，2022，17（3）：252-259.

[2] 張振華，陸金桂.基于改進卷積神經(jīng)網(wǎng)絡(luò)的混凝土橋梁裂縫檢測[J].計算機仿真，2021，38（11）：490-494.

【通聯(lián)編輯：聞翔軍】