面向糖網(wǎng)小目標(biāo)檢測(cè)的反卷積神經(jīng)網(wǎng)絡(luò)方法

彭志浩 陳 輝 張欣鵬 武繼剛

(廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院 廣東 廣州 510006)

0 引 言

糖尿病性視網(wǎng)膜病變是一種慢性代謝性疾病，會(huì)導(dǎo)致患者的視網(wǎng)膜毛細(xì)血管發(fā)生變化出現(xiàn)一系列眼底病變，早期病變表現(xiàn)為微動(dòng)脈瘤、出血點(diǎn)和硬性滲出物[1]。DR已成為導(dǎo)致20歲～70歲人群失明的主要原因，及早對(duì)早期病變進(jìn)行篩查對(duì)治療DR具有重要意義[2]。在眼底圖像中，微動(dòng)脈瘤表現(xiàn)為小尺寸的類(lèi)圓形斑點(diǎn)，出血點(diǎn)表現(xiàn)為形狀不規(guī)則的斑點(diǎn)，硬性滲出物表現(xiàn)為高亮區(qū)域，如圖1所示。臨床中，醫(yī)生多利用彩色眼底圖像統(tǒng)計(jì)病變數(shù)量并對(duì)DR進(jìn)行初步診斷，但該方式既耗時(shí)又費(fèi)力。因此，需要借助計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)實(shí)現(xiàn)對(duì)三類(lèi)早期病變的自動(dòng)檢測(cè)。目前，現(xiàn)有檢測(cè)方法主要分為兩類(lèi)：傳統(tǒng)檢測(cè)方法和基于深度學(xué)習(xí)的檢測(cè)方法。

圖1 眼底圖像中的DR早期病變

傳統(tǒng)檢測(cè)方法主要包括三個(gè)階段，分別是數(shù)據(jù)預(yù)處理、候選區(qū)域提取和目標(biāo)分類(lèi)。針對(duì)檢微動(dòng)脈瘤檢測(cè)，Rosas等[3]首先利用低帽轉(zhuǎn)換抑制眼底圖像中較亮的區(qū)域，然后利用形態(tài)學(xué)檢測(cè)微動(dòng)脈瘤。Ganjee等[4]首先采用馬爾可夫隨機(jī)森林對(duì)眼底圖像進(jìn)行初步篩選得到候選區(qū)域，再提取候選區(qū)域的形狀、灰度以及高斯特征，但該方法并不適用于對(duì)比度低和噪聲多的眼底圖像。為彌補(bǔ)這一不足，Datta等[5]利用模糊統(tǒng)計(jì)技術(shù)有效降低了眼底背景噪聲的影響。Sreng等[6]采用最大熵閾值與canny算子實(shí)現(xiàn)了對(duì)邊緣清晰微動(dòng)脈瘤的檢測(cè)。Zhou等[7]提出了一種基于字典學(xué)習(xí)的檢測(cè)方法，通過(guò)生成具有表征能力的語(yǔ)義關(guān)系準(zhǔn)確檢測(cè)微動(dòng)脈瘤。Dai等[8]通過(guò)分析目標(biāo)的局部梯度特性分割出出微動(dòng)脈瘤的候選區(qū)域，再利用RUSBoost分類(lèi)器對(duì)這些候選區(qū)域進(jìn)行分類(lèi)。Dashtbozorg等[9]提取了一組局部收斂的形狀特征，并將該特征與形態(tài)學(xué)、灰度等特征進(jìn)行融合，并采用RUSBoost分類(lèi)器實(shí)現(xiàn)微動(dòng)脈瘤的精確分類(lèi)。針對(duì)出血點(diǎn)的檢測(cè)，García等[10]提取候選目標(biāo)的顏色和形狀等特征，并采用多層感知機(jī)、徑向基函數(shù)、支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)對(duì)每類(lèi)特征進(jìn)行分類(lèi)，最后使用投票機(jī)制得出最終分類(lèi)結(jié)果。Raja等[11]利用局部直方圖均衡化方法先對(duì)眼底圖像進(jìn)行增強(qiáng)，再使用Gabor變換和SVM分類(lèi)器對(duì)出血點(diǎn)進(jìn)行分類(lèi)。Pandey等[12]通過(guò)提取病灶區(qū)的面積、離心率和周長(zhǎng)三種特征初步定位出血點(diǎn)。Kaur等[13]采用形態(tài)學(xué)算法初步檢測(cè)出血點(diǎn)，然后設(shè)計(jì)基于隨機(jī)森林的分類(lèi)器對(duì)出血點(diǎn)進(jìn)行精確分類(lèi)。為了避免眼底圖像中血管的干擾，Zhou等[14]依據(jù)血管的連續(xù)性利用Hessian矩陣先對(duì)眼底血管進(jìn)行分割并移除，再利用支持向量機(jī)(Support Vector Machine,SVM)實(shí)現(xiàn)對(duì)出血點(diǎn)的精確分類(lèi)。Srivastava等[15]提出了一種改進(jìn)的Frangi濾波器，并利用Hessian矩陣區(qū)分微動(dòng)脈瘤和血管。Popescu等[16]提出一種投票機(jī)制，對(duì)圖像的每個(gè)區(qū)域進(jìn)行投票，將篩選出的高票數(shù)區(qū)域作為出血點(diǎn)的感興趣區(qū)域(Regions of Interest，ROI)，降低組織背景對(duì)目標(biāo)分類(lèi)的影響。Mumtaz等[17]首先利用形態(tài)學(xué)算法消除背景噪聲，克服光照不均，然后分割并移除血管以降低其對(duì)出血點(diǎn)檢測(cè)的干擾。針對(duì)硬性滲出物的檢測(cè)，Kayal等[18]利用中值濾波對(duì)圖像進(jìn)行降噪并移除視盤(pán)，并通過(guò)閾值分割實(shí)現(xiàn)對(duì)硬性滲出物進(jìn)的分類(lèi)。Haloi等[19]提出基于高斯尺度空間和數(shù)學(xué)形態(tài)學(xué)的硬性滲出物檢測(cè)方法。Asha等[20]在預(yù)處理階段使用HSI轉(zhuǎn)換、局部對(duì)比度增強(qiáng)、直方圖均衡化和模糊C均值聚類(lèi)對(duì)圖像進(jìn)行增強(qiáng)，初步檢測(cè)硬性滲出物，然后樸素貝葉斯分類(lèi)器對(duì)候選區(qū)域?qū)崿F(xiàn)分類(lèi)。Rokade等[21]提出了基于Haar小波變換的方法初步定位目標(biāo)區(qū)域，然后采用KNN(K-Nearest Neighbor)對(duì)候選區(qū)域進(jìn)行分類(lèi)。Singh等[22]通過(guò)提取灰度和形態(tài)學(xué)特征，實(shí)現(xiàn)了對(duì)硬性滲出物的準(zhǔn)確檢測(cè)。Rajan等[23]通過(guò)提取硬性滲出物梯度方向特征，實(shí)現(xiàn)對(duì)硬性滲出物的檢測(cè)。Amin等[24]利用Gabor濾波器對(duì)眼底圖像中的硬性滲出物進(jìn)行增強(qiáng)，然后提取幾何特征實(shí)現(xiàn)硬性滲出物的精確檢測(cè)。Liu等[25]首先分割出圖像中的血管和視盤(pán)，再利用隨機(jī)森林對(duì)滲出物進(jìn)行初步定位并提取紋理特征，最后采用分類(lèi)器實(shí)現(xiàn)對(duì)硬性滲出物的準(zhǔn)確分類(lèi)。雖然上述方法對(duì)單類(lèi)病變的檢測(cè)取得了不錯(cuò)的效果，但人工提取特征難度較大、特征表達(dá)能力低，當(dāng)存在噪聲干擾時(shí)，該類(lèi)特征難以有效地描述待檢測(cè)目標(biāo)的特性。

為了能夠同時(shí)檢測(cè)三類(lèi)DR早期病變，Tan等[35]提出了一種了10層卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)微動(dòng)脈瘤、出血點(diǎn)、硬性滲出物的檢測(cè)。為了能夠定位眼底圖像中的不同目標(biāo)，Gondal等[36]提出一種卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)進(jìn)行定位并提取候選區(qū)域。為了尋找在預(yù)測(cè)中每個(gè)待檢測(cè)目標(biāo)的關(guān)鍵像素點(diǎn)，Quellec等[37]提出利用卷積神經(jīng)網(wǎng)絡(luò)提取出對(duì)分類(lèi)起關(guān)鍵作用的目標(biāo)像素塊，再提取目標(biāo)像素塊的相關(guān)特征實(shí)現(xiàn)最終分類(lèi)。Khojasteh等[38]提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，首先利用CLAHE(Contrast Limited Adaptive Histogram Equalization)算法增強(qiáng)眼底圖像的對(duì)比度，然后將增強(qiáng)結(jié)果作為訓(xùn)練樣本輸入到網(wǎng)絡(luò)模型中，最終實(shí)現(xiàn)眼底病變的多分類(lèi)。

雖然基于CNN的檢測(cè)方法有效地提升了眼底病變檢測(cè)的準(zhǔn)確率，但針對(duì)DR多類(lèi)病變的同時(shí)檢測(cè)，實(shí)驗(yàn)結(jié)果仍然不理想，尤其當(dāng)提取微動(dòng)脈瘤和小出血點(diǎn)特征時(shí)，池化運(yùn)算會(huì)導(dǎo)致大量的信息丟失，降低分類(lèi)精度。本文檢測(cè)的檢測(cè)目標(biāo)包括微動(dòng)脈瘤、出血點(diǎn)、硬性滲出物，均屬于眼底圖像中的小目標(biāo)。與自然圖像相比，該類(lèi)小目標(biāo)具有特殊性，主要包括：(1) 正負(fù)樣本數(shù)量的極不均衡，即負(fù)樣本的數(shù)量遠(yuǎn)遠(yuǎn)超過(guò)正樣本；(2) 目標(biāo)尺寸較小，與小目標(biāo)具有相似特征的噪聲點(diǎn)均會(huì)對(duì)檢測(cè)結(jié)果造成影響，降低檢測(cè)精度；(3) 眼底圖像中某些結(jié)構(gòu)與三類(lèi)小目標(biāo)的類(lèi)間差異較小，如細(xì)小血管與微動(dòng)脈瘤、視盤(pán)與硬性滲出物、小出血點(diǎn)與微動(dòng)脈瘤等，均會(huì)干擾預(yù)測(cè)模型對(duì)目標(biāo)的識(shí)別與檢測(cè)。

為了解決上述問(wèn)題，本文提出了一種反卷積神經(jīng)網(wǎng)絡(luò)模型，用反卷積層代替池化層，通過(guò)轉(zhuǎn)置卷積核以及“0”填充操作，恢復(fù)在卷積操作中丟失的有用信息，提高特征表達(dá)能力，增加類(lèi)間差異，適用于圖像小目標(biāo)的檢測(cè)。此外，本方法使用RMSprop算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化更新可有效地加快網(wǎng)絡(luò)的收斂速度。實(shí)驗(yàn)結(jié)果表明，本方法能夠準(zhǔn)確地檢測(cè)DR圖像中的多種早期病變。

1 反卷積神經(jīng)網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的反卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示，共包含4個(gè)卷積層、4個(gè)反卷積層、2個(gè)全連接層和1個(gè)Softmax層。首先，利用卷積層提取目標(biāo)的深度特征。然后采用反卷積層恢復(fù)在卷積運(yùn)算中丟失的有效信息，利用全連接層提取目標(biāo)的深層特征，提高特征的表達(dá)能力，最后將Softmax層作為分類(lèi)器對(duì)眼底病變進(jìn)行分類(lèi)，網(wǎng)絡(luò)參數(shù)如表1所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)

表1 參數(shù)設(shè)置

為了提高眼底圖像的對(duì)比度和亮度，首先對(duì)RGB彩色眼底的綠色通道進(jìn)行Gamma校正。由于紅色通道(R)包含的病變信息相比于藍(lán)色通道(B)和綠色通道(G)通道較少[39]，因此本文采用G通道、B通道和Gamma校正結(jié)果構(gòu)建訓(xùn)練集和測(cè)試集，最后將三個(gè)通道的融合結(jié)果作為最終的分類(lèi)結(jié)果F:

F=FG∪FB∪FGamma

(1)

式中：FG表示G通道的分類(lèi)結(jié)果；FB表示B通道的分類(lèi)結(jié)果；FGamma表示Gamma通道的分類(lèi)結(jié)果。

1.2 損失函數(shù)與優(yōu)化算法

由于微動(dòng)脈瘤、小出血點(diǎn)尺寸較小而且可訓(xùn)練樣本較少，為了防止在網(wǎng)絡(luò)在訓(xùn)練過(guò)程中出現(xiàn)過(guò)擬合并加快訓(xùn)練的收斂速度，降低決在訓(xùn)練優(yōu)化過(guò)程中的過(guò)度振蕩，選用RMSprop算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化[40-41]。網(wǎng)絡(luò)損失函數(shù)定義為：

(2)

(3)

(4)

(5)

(6)

(7)

式中：g2是第l層之前梯度總和的二次方運(yùn)算；β是指數(shù)加權(quán)平均值并設(shè)置為0.98。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)設(shè)置

本方法在配有Intel Core i7- 6700、工作頻率為3.40 GHz的PC機(jī)上進(jìn)行實(shí)驗(yàn)，并使用深度學(xué)習(xí)框架Caffe[42]，在MATLAB R2016b平臺(tái)上搭建網(wǎng)絡(luò)。

本文首先采用眼底公共數(shù)據(jù)庫(kù)DIARETDB1(DB1)[43]進(jìn)行訓(xùn)練與測(cè)試。該數(shù)據(jù)庫(kù)包含89幅彩色眼底圖像，由眼底相機(jī)以50°的視場(chǎng)角度拍攝，圖像分辨率為1 500×1 152，由4名眼科專(zhuān)家在該數(shù)據(jù)庫(kù)上分別對(duì)三類(lèi)早期病變進(jìn)行標(biāo)注，構(gòu)建概率真值圖，圖中的區(qū)域亮度越大，判斷為病變的概率越大。因此，本實(shí)驗(yàn)將標(biāo)注置信率大于50%的區(qū)域作為病變區(qū)域，并將70%的數(shù)據(jù)用于訓(xùn)練，30%的數(shù)據(jù)用于測(cè)試，訓(xùn)練集和測(cè)試集的數(shù)據(jù)劃分如表2所示。本方法將微動(dòng)脈瘤、出血點(diǎn)和硬性滲出物三類(lèi)病變區(qū)域以外的區(qū)域定義為“背景”，將包含微動(dòng)脈瘤、出血點(diǎn)或硬性滲出物的樣本作為正樣本，將背景區(qū)域作為負(fù)樣本。

表2 實(shí)驗(yàn)數(shù)據(jù)集

2.2 實(shí)驗(yàn)結(jié)果

圖3為本方法對(duì)三類(lèi)病變的檢測(cè)結(jié)果，其中：(a)、(b)、(c)為DB1數(shù)據(jù)庫(kù)中的原始彩色眼底圖像，(d)、(e)、(f)為針對(duì)三類(lèi)病變的檢測(cè)結(jié)果。在原始圖中，使用三角形對(duì)微動(dòng)脈瘤、出血點(diǎn)和硬性滲出物進(jìn)行標(biāo)注；在結(jié)果圖中，將分類(lèi)正確的目標(biāo)用圓圈標(biāo)注，分類(lèi)錯(cuò)誤的目標(biāo)則用叉號(hào)標(biāo)注。具體檢測(cè)結(jié)果如表3所示，本文提出的方法能夠有效地檢測(cè)出眼底圖像中的大部分病變，但仍存在少量漏檢和誤檢。

(a) 原始圖1 (b) 原始圖2 (c) 原始圖3

(d) 結(jié)果圖1 (e) 結(jié)果圖2 (f) 結(jié)果圖3圖3 檢測(cè)結(jié)果

表3 檢測(cè)結(jié)果

2.3 樣本尺寸選取

參加訓(xùn)練的圖像樣本(微動(dòng)脈瘤、出血點(diǎn)、硬性滲出物)尺寸大小均保持一致。構(gòu)建樣本集時(shí)，選擇不同的樣本尺寸會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生一定程度的影響。樣本尺寸過(guò)大會(huì)增加計(jì)算量，計(jì)算時(shí)間也隨之增加；反之，如果樣本尺寸過(guò)小，則無(wú)法包含足夠的目標(biāo)信息，難以提取足夠的特征。為了選取最佳的訓(xùn)練樣本尺寸，本文分別對(duì)不同尺寸的樣本集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4所示。結(jié)果表明，當(dāng)樣本尺寸(即像素)為33×33時(shí)，檢測(cè)準(zhǔn)確率最高。因此，本文選取33×33為樣本尺寸。

圖4 不同樣本尺寸的檢測(cè)準(zhǔn)確率

2.4 參數(shù)優(yōu)化算法性能比較

為了驗(yàn)證網(wǎng)絡(luò)參數(shù)優(yōu)化算法RMSprop的性能，本文將RMSprop算法和隨機(jī)梯度下降(Stochastic Gradient Descent，SGD)算法分別在DB1數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)并統(tǒng)計(jì)兩種算法的損失曲線(xiàn)，如圖5所示?？梢钥闯?，SGD對(duì)應(yīng)的損失函數(shù)曲線(xiàn)在第800次迭代時(shí)損失值為0.4，而RMSprop對(duì)應(yīng)的曲線(xiàn)在第90次迭代時(shí)損失值就已經(jīng)降至0.4，相比于SGD算法，RMSprop算法顯著提升了訓(xùn)練過(guò)程的收斂速度。同時(shí)，RMSprop在第2 000次迭代時(shí)損失值已趨近于0，而SGD在第2 000次迭代時(shí)損失值仍為0.3，由此可見(jiàn)RMSprop算法收斂速度更快。

圖5 損失曲線(xiàn)

此外，為了評(píng)價(jià)該方法的檢測(cè)性能，將靈敏度(Sensitivity)和準(zhǔn)確率(Accuracy)作為評(píng)價(jià)標(biāo)準(zhǔn)。

(8)

(9)

式中：TP表示預(yù)測(cè)正確的正樣本數(shù)量；FN表示預(yù)測(cè)錯(cuò)誤的正樣本數(shù)量；FP表示預(yù)測(cè)錯(cuò)誤的負(fù)樣本數(shù)量；TN表示預(yù)測(cè)正確的負(fù)樣本數(shù)量。本文比較了采用RMSprop和隨機(jī)梯度下降(Stochastic Gradient Descent，SGD)兩種方法優(yōu)化后的網(wǎng)絡(luò)模型分別對(duì)三類(lèi)病變的檢測(cè)靈敏度，如表4所示。采用SGD算法優(yōu)化的網(wǎng)絡(luò)針對(duì)微動(dòng)脈瘤、出血點(diǎn)、硬性滲出物的檢測(cè)靈敏度分別為0.792、0.919、0.956。而采用RMSprop算法得到的靈敏度分別為0.917、0.970、0.994，均優(yōu)于SGD算法，特別是針對(duì)微動(dòng)脈瘤的檢測(cè)靈敏度提升尤為顯著。因此，RMSprop算法更適合本文方法的網(wǎng)絡(luò)參數(shù)優(yōu)化。

表4 優(yōu)化算法性能對(duì)比

2.5 方法比較

為了驗(yàn)證反卷積層的作用，本文在含池化層的網(wǎng)絡(luò)中進(jìn)行相同的多目標(biāo)檢測(cè)實(shí)驗(yàn)，其中反卷積層替換成最大池化層(Max pooling)，如圖6所示。同時(shí)，本文對(duì)比了不同方法在DB1數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果，如表5所示?？梢钥闯觯疚姆椒ǖ撵`敏度和準(zhǔn)確率均要高于含池化層網(wǎng)絡(luò)，尤其是對(duì)微動(dòng)脈瘤和出血點(diǎn)，同時(shí)實(shí)驗(yàn)結(jié)果也高于其他四種方法。這不僅表明了反卷積層取代池化層后對(duì)檢測(cè)性能提升的有效性，而且體現(xiàn)出本方法在多目標(biāo)分類(lèi)上的高效性。

圖6 含池化層網(wǎng)絡(luò)結(jié)構(gòu)

表5 檢測(cè)結(jié)果

針對(duì)三類(lèi)病變檢測(cè)結(jié)果的對(duì)比結(jié)果如表6至表8所示。表6、表7分別為硬性滲出物和出血點(diǎn)檢測(cè)方法的對(duì)比結(jié)果?？梢钥闯?，本文方法對(duì)硬性滲出物和出血點(diǎn)的單個(gè)目標(biāo)分類(lèi)效果均優(yōu)于已有方法，包括傳統(tǒng)方法和深度學(xué)習(xí)方法。表8為微動(dòng)脈瘤檢測(cè)方法的對(duì)比結(jié)果，Dai等[41]提出的檢測(cè)方法靈敏度略高于本方法，但本方法在準(zhǔn)確率上優(yōu)于該方法。

表6 硬性滲出物檢測(cè)方法對(duì)比

表7 出血點(diǎn)檢測(cè)方法對(duì)比

表8 微動(dòng)脈瘤檢測(cè)方法對(duì)比

本文采用FROC(Free-Response Operating Characteristic)[44]曲線(xiàn)評(píng)價(jià)方法的整體性能，F(xiàn)ROC曲線(xiàn)描繪了靈敏度與平均每幅圖像中的誤檢數(shù)量(False Positives per Image，F(xiàn)PI)之間的關(guān)系。圖7和圖8分別為本方法與含池化層網(wǎng)絡(luò)檢測(cè)三種DR早期病變的FROC曲線(xiàn)?？梢钥闯?，相比于含有池化層的網(wǎng)絡(luò)，本方法針對(duì)三類(lèi)病變的檢測(cè)，均在較小的FPI值時(shí)就達(dá)到了較高的靈敏度，檢測(cè)效果優(yōu)于含池化層網(wǎng)絡(luò)。

圖7 本文方法FROC曲線(xiàn)

圖8 含池化層網(wǎng)絡(luò)FROC曲線(xiàn)

此外，為了充分驗(yàn)證本文方法的性能，選取天津醫(yī)科大學(xué)代謝病醫(yī)院獲取的臨床數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，共包括300幅眼底圖像，分辨率為2 180×2 000，樣本集構(gòu)建如表9所示，檢測(cè)結(jié)果如表10所示，本方法針對(duì)三類(lèi)病變的分類(lèi)準(zhǔn)確率為0.991，對(duì)應(yīng)的FROC曲線(xiàn)如圖9所示。從檢測(cè)結(jié)果可以看出，本文方法在檢測(cè)臨床數(shù)據(jù)上也獲得了較高的準(zhǔn)確率和靈敏度，并且誤檢較低。因此，本文方法可適用于臨床的DR診斷和評(píng)級(jí)。

表9 臨床數(shù)據(jù)集

表10 臨床數(shù)據(jù)測(cè)試結(jié)果

圖9 本文方法在臨床數(shù)據(jù)集上的FROC曲線(xiàn)

3 結(jié) 語(yǔ)

本文提出了一種反卷積神經(jīng)網(wǎng)絡(luò)模型，采用Gamma校正實(shí)現(xiàn)了對(duì)眼底圖像綠色通道的對(duì)比度增強(qiáng)，在訓(xùn)練階段采用RMSprop算法優(yōu)化模型參數(shù)，降低網(wǎng)絡(luò)訓(xùn)練時(shí)間，加快收斂速度，并顯著提高了對(duì)三類(lèi)病變的檢測(cè)精度。為驗(yàn)證本方法的分類(lèi)性能，采用DB1公共數(shù)據(jù)庫(kù)和天津醫(yī)科大學(xué)代謝病醫(yī)院的臨床采集的眼底圖像作為訓(xùn)練集和測(cè)試集。實(shí)驗(yàn)結(jié)果表明，針對(duì)DB1公共數(shù)據(jù)庫(kù)，本文方法能夠準(zhǔn)確地檢測(cè)出眼底圖像的DR早期病變，檢測(cè)靈敏度和準(zhǔn)確均優(yōu)于已有方法。同時(shí)，針對(duì)臨床數(shù)據(jù)集中的三類(lèi)病變，本文方法同樣獲得了較高的檢測(cè)靈敏度和準(zhǔn)確率，大大降低了誤檢率和漏檢率。