基于SRM-SE-DenseNet的超廣角眼底圖像病理性近視識(shí)別研究

王天宇 石征錦* 黃 鉦 宋國(guó)立 趙憶文

1(沈陽理工大學(xué)自動(dòng)化與電氣工程學(xué)院 遼寧 沈陽 110159) 2(中國(guó)科學(xué)院沈陽自動(dòng)化研究所 遼寧 沈陽 110016) 3(中國(guó)科學(xué)院機(jī)器人與智能制造創(chuàng)新研究院 遼寧 沈陽 110016) 4(中國(guó)科學(xué)院大學(xué) 北京 100049)

0 引 言

病理性近視(PM)是高度近視的一種，典型癥狀為屈光度進(jìn)行性加深、眼軸不斷增長(zhǎng)、視網(wǎng)膜及脈絡(luò)膜組織進(jìn)行性損害引起的視功能障礙，多伴有眼后極部的鞏膜變薄，并產(chǎn)生多發(fā)病理性改變，如后鞏膜葡萄腫、漆裂紋、Fuchs斑、色素上皮萎縮、視網(wǎng)膜下出血、脈絡(luò)膜新生血管等，嚴(yán)重時(shí)將導(dǎo)致視網(wǎng)膜脫落而造成失明[1-3]。研究表明，該病的發(fā)病率在逐年增加并且趨向于年輕化[4]。其在中國(guó)大陸造成完全失明的人數(shù)多達(dá)670萬，患有視力障礙的人數(shù)多達(dá)710萬[5]。一般而言，多數(shù)眼部疾病都有一定的治療窗口期[6]，超過治療窗口期容易造成不可逆性視力障礙，因此針對(duì)病理性近視進(jìn)行及時(shí)的檢查以及提前預(yù)防具有重要的臨床意義。

目前針對(duì)病理性近視的診斷大多依靠資深眼科醫(yī)生根據(jù)患者眼部的全面體檢結(jié)果進(jìn)行人工診斷，該過程不僅耗時(shí)耗力，而且在資深眼科醫(yī)生緊缺、醫(yī)療條件不足的發(fā)展中國(guó)家或者國(guó)內(nèi)的相關(guān)貧困地區(qū)將很難做到準(zhǔn)確診斷，從而因?yàn)椴∏榈难诱`而造成不可逆的視力損失。據(jù)統(tǒng)計(jì)全球大概有89%的視力障礙患者生活在低收入和中等收入國(guó)家[7]，因此欠發(fā)達(dá)國(guó)家和相關(guān)貧困地區(qū)的視力障礙和失明現(xiàn)象依然嚴(yán)峻，所以需要一種高效、自動(dòng)的機(jī)器診斷方法，在不需要大規(guī)模的人力參與以及醫(yī)療器械介入的情況下可以輔助醫(yī)生做出及時(shí)的診斷決策，為以后遠(yuǎn)程輔助醫(yī)療打下堅(jiān)實(shí)的基礎(chǔ)。

近年來，隨著人工智能的發(fā)展以及眼底圖像技術(shù)的成熟，國(guó)內(nèi)外學(xué)者開發(fā)了大量針對(duì)眼部疾病的計(jì)算機(jī)輔助診斷系統(tǒng)，包括對(duì)糖尿病性視網(wǎng)膜病變、年齡相關(guān)性黃斑病變、青光眼等疾病的診斷。Liu等[8]提出PAMELA(Pathological Myopia Detection Through Peripapillary Atrophy)系統(tǒng)，其自動(dòng)接收視網(wǎng)膜眼底圖像，并執(zhí)行感興趣區(qū)域(ROI)提取和視神經(jīng)乳頭的分割隨后根據(jù)毛細(xì)血管萎縮(PPA)這一特征在含有80幅眼底圖像的數(shù)據(jù)集上使用支持向量機(jī)(SVM)對(duì)病理性近視進(jìn)行自動(dòng)診斷。Benghai等[9]描述了PAMELA系統(tǒng)中的紋理分析和灰度分析模塊。然后使用決策引擎對(duì)兩個(gè)獨(dú)立的預(yù)測(cè)結(jié)果進(jìn)行融合，以獲得整體分析，最終進(jìn)一步證明了該系統(tǒng)的優(yōu)越性能。Zhang等[10]利用MRMR(Minimum Redundancy-Maimum Relevancy)特征選擇技術(shù)，對(duì)候選特征集進(jìn)行選擇并且排列，最后使用SVM分類器進(jìn)行分類，從而對(duì)病理性近視進(jìn)行診斷。Xu等[11]提出使用特征袋(bag-of-feature)和稀疏學(xué)習(xí)的方法進(jìn)行病理性近視的自動(dòng)診斷。其對(duì)數(shù)據(jù)集中的圖像提取SIFT特征，把訓(xùn)練集的所有SIFT特征聚類為K類，構(gòu)成碼本；針對(duì)所有數(shù)據(jù)集中的每一幅圖片的SIFT特征，統(tǒng)計(jì)視覺詞的出現(xiàn)次數(shù)，得到相應(yīng)的直方圖；將直方圖進(jìn)行稀疏學(xué)習(xí)作為樣本向量來構(gòu)建SVM的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，從而進(jìn)行病理性近視的自動(dòng)診斷。目前來看針對(duì)病理性近視的自動(dòng)診斷方法具有以下3個(gè)缺陷：

(1) 分類模型構(gòu)建過程中所使用的樣本數(shù)量較少，所以泛化能力相對(duì)較差。

(2) 大多采用機(jī)器學(xué)習(xí)的方法，其需要對(duì)特征進(jìn)行手動(dòng)提取以及篩選，工作量相對(duì)較大。

(3) 采用傳統(tǒng)的眼底圖像進(jìn)行病理性近視的識(shí)別，而傳統(tǒng)的眼底圖像檢測(cè)區(qū)域較窄。

本文采用深度學(xué)習(xí)技術(shù)在超廣角眼底圖像上實(shí)現(xiàn)病理性近視的高效自動(dòng)診斷，在一定程度上解決了傳統(tǒng)人工診斷的煩瑣、低效，以及因醫(yī)療設(shè)備不足、醫(yī)生匱乏等因素造成病情延誤等問題。相比于先前的研究以及在臨床上的應(yīng)用，本文具有以下3個(gè)優(yōu)點(diǎn)：

(1) 采用較大的數(shù)據(jù)集，模型的泛化能力較強(qiáng)。

(2) 卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征自動(dòng)提取能力，省去了特征工程這一煩瑣的操作，且深度學(xué)習(xí)泛化能力較強(qiáng)。

(3) 數(shù)據(jù)采用超廣角眼底圖像，超廣角圖像檢測(cè)區(qū)域更廣泛，所以針對(duì)超廣角眼底圖像的自動(dòng)識(shí)別相對(duì)于傳統(tǒng)眼底圖像的識(shí)別有著更加重要的意義。

本文方法首先進(jìn)行圖像分割，識(shí)別視盤并以其為中心對(duì)原始圖像進(jìn)行裁剪，以去除高干擾區(qū)域，提取目標(biāo)區(qū)域；然后使用數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，減少過擬合的風(fēng)險(xiǎn)，提高識(shí)別準(zhǔn)確度；最后利用SRM-SE-DenseNet網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)集進(jìn)行自動(dòng)識(shí)別得出診斷結(jié)果。

1 數(shù)據(jù)集

1.1 超廣角眼底圖像

超廣角眼底成像技術(shù)是一項(xiàng)近年來興起的眼底圖像采集技術(shù)，相較于傳統(tǒng)的眼底圖像，其具有免散瞳、范圍廣(可達(dá)200°范圍的成像)、速度快等優(yōu)勢(shì)[12]，在近幾年被大范圍應(yīng)用于臨床診斷，有效地提高了診斷水平，如圖1所示。

本文所采用的超廣角眼底圖像由愛爾眼科醫(yī)院提供，如圖2所示。針對(duì)每例患者一共有三幅眼底圖像，分別為綠激光眼底圖像、紅激光眼底圖像和偽彩色眼底圖像。

因?yàn)榫G激光的穿透能力較弱，所以綠激光圖像呈現(xiàn)的是視網(wǎng)膜層面的血管和結(jié)構(gòu)，因?yàn)榧t激光的穿透能力較強(qiáng)，所以紅激光圖像呈現(xiàn)的是脈絡(luò)膜層面的血管和結(jié)構(gòu)，而偽彩色圖像則是由紅激光圖像和綠激光圖像合并之后得出的偽彩圖，既包含脈絡(luò)膜結(jié)構(gòu)也包含視網(wǎng)膜結(jié)構(gòu)，因此是進(jìn)行識(shí)別分析的最佳選擇。

1.2 數(shù)據(jù)分布

本數(shù)據(jù)集對(duì)病理性近視的標(biāo)定是根據(jù)屈光度和眼軸長(zhǎng)度來進(jìn)行區(qū)分，即等效球徑小于等于-8D或者眼軸長(zhǎng)大于等于26.5 mm就認(rèn)為是病理性近視[13-14]。

一共收集到5 007例18至57歲之間的男女眼底圖像，其中非病理性近視有2 297例，病理性近視有2 710例。在病理性近視中性別比例以及眼別比例相對(duì)平衡，而在非病理性近視中女性占比較高于男性。總體而言，眼別數(shù)量相對(duì)平衡，女性數(shù)量稍多于男性，病理性近視數(shù)量稍多于非病理性近視，其具體分布如表1所示。

表1 清洗后數(shù)據(jù)分布

2 研究方法

因?yàn)榛颊叩膫尾噬鄣讏D像綜合了視網(wǎng)膜和脈絡(luò)膜的結(jié)構(gòu)以及血管所包含的特征，針對(duì)病理性近視的識(shí)別主要采用患者的偽彩色眼底圖像。研究方法主要包括以下幾個(gè)部分：圖像預(yù)處理、數(shù)據(jù)增強(qiáng)、網(wǎng)絡(luò)結(jié)構(gòu)。

2.1 圖像預(yù)處理

本文主要基于超廣角眼底圖像進(jìn)行病理性近視的自動(dòng)診斷，由于其成像范圍較廣，所以圖像內(nèi)包含大量對(duì)識(shí)別產(chǎn)生干擾的區(qū)域以及噪聲(包括眼睫毛、反光點(diǎn)等)，因此需要對(duì)原始圖像進(jìn)行預(yù)處理。主要分為以下兩部分：

(1) 視盤識(shí)別。視盤全稱視神經(jīng)盤，在超廣角眼底圖像中為靠近圖像中心的高亮圓盤區(qū)域，在灰度圖中該區(qū)域的灰度值可達(dá)到最大灰度級(jí)即255。因此可認(rèn)為距離圖像中心點(diǎn)最近的高亮點(diǎn)群即為視盤。所以我們先對(duì)圖像進(jìn)行灰度化，然后保留灰度值為255的像素，其他像素的灰度值設(shè)置為0。公式如下：

(1)

式中：Iin(x,y)為輸入像素點(diǎn)；Iout(x,y)為輸出像素點(diǎn)并由此得出像素點(diǎn)的坐標(biāo)值。隨后計(jì)算圖像中心點(diǎn)坐標(biāo)，其公式如下：

xm=w/2,ym=h/2

(2)

式中：xm、ym為中心點(diǎn)坐標(biāo)；w、h為圖像的寬度和高度。然后計(jì)算每個(gè)最大灰度值點(diǎn)與圖像中心點(diǎn)的距離，該距離公式如下：

(3)

式中：(xi,yi)為第i個(gè)最大灰度值點(diǎn)坐標(biāo)；(xm,ym)為圖像中心點(diǎn)坐標(biāo)；di為第i點(diǎn)與中心點(diǎn)間距離。為了防止其他高亮點(diǎn)對(duì)識(shí)別的干擾，我們使用一個(gè)距離閾值來對(duì)其他干擾點(diǎn)進(jìn)行篩選。即當(dāng)兩點(diǎn)距離在閾值之內(nèi)時(shí)此點(diǎn)將被保留，否則剔除。該距離閾值設(shè)為w/6。隨后在被保留的最大值中尋找中位數(shù)，以去除孤立噪聲點(diǎn)，最后以該中位數(shù)坐標(biāo)作為視盤的位置。對(duì)于無法識(shí)別視盤的圖像給予刪除。

(2)
圖像裁剪。當(dāng)識(shí)別出視盤坐標(biāo)點(diǎn)之后，將以其為中心，以邊長(zhǎng)為400的矩形窗對(duì)原始圖像進(jìn)行裁剪。這樣既保留了視盤、黃斑區(qū)等重要識(shí)別區(qū)域，也剔除了眼皮、眼睫毛等無關(guān)高干擾區(qū)域。然后將圖像尺寸轉(zhuǎn)換為224×224大小以直接輸入給神經(jīng)網(wǎng)絡(luò)。

2.2 數(shù)據(jù)增強(qiáng)

由于總體數(shù)據(jù)集相對(duì)較少，所以需要采用數(shù)據(jù)增強(qiáng)方法對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充，在一定程度上解決過擬合的問題并進(jìn)一步提高識(shí)別準(zhǔn)確率。

由于光照條件的不同而導(dǎo)致數(shù)據(jù)集中圖像明暗不均，這將使得訓(xùn)練集具有較大的類內(nèi)方差，因此，本文通過使用Gamma校正來實(shí)現(xiàn)光照不變性，其具體流程為使用不同的γ值生成不同明暗程度的數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充。其公式如下：

s=crγ

(4)

式中：s為輸出；c、γ為正常數(shù)，一般情況下c的取值為1；r為輸入。γ取值為0.7、0.9、1.1、1.3，增強(qiáng)后圖像如圖3所示。最終經(jīng)過數(shù)據(jù)增強(qiáng)之后的訓(xùn)練集和測(cè)試集數(shù)據(jù)分布如表2所示。

表2 訓(xùn)練集和測(cè)試集數(shù)據(jù)分布

2.3 網(wǎng)絡(luò)結(jié)構(gòu)

本文采用深度學(xué)習(xí)方法對(duì)超廣角眼底圖像進(jìn)行病理性近視的自動(dòng)診斷。深度卷積神經(jīng)網(wǎng)絡(luò)是一種常用的深度學(xué)習(xí)方法，其相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法省去了特征工程這一煩瑣的操作，即利用卷積對(duì)圖像的特征進(jìn)行自動(dòng)提取，從而進(jìn)行分類。本文所提出網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)選用DenseNet[15]，并結(jié)合SE_block(Squeeze-and-Excitation Networks)[16]、SRM_block(Style-based Recalibration Module)[17]對(duì)圖像進(jìn)行識(shí)別。網(wǎng)絡(luò)總體結(jié)構(gòu)如圖4所示,其中SE_Dense_Block是在原來Dense_Block的基礎(chǔ)上加入SE_block后所得結(jié)構(gòu)。如圖5所示，即在Dense_Block內(nèi)部的批量歸一化層(Batch Normalization,BN)[18]、ReLU[19]激活層與卷積層的組合(BN_ReLu_Conv)之后添加SE_block，并在過渡層(Transition Layer)之后添加SRM_block。

DenseNet網(wǎng)絡(luò)是由Huang等[15]提出，其網(wǎng)絡(luò)出色的Dense Block結(jié)構(gòu)對(duì)每一層輸出的特征圖(feature map)進(jìn)行充分復(fù)用，一定程度上減輕了梯度消失的問題，網(wǎng)絡(luò)更易于訓(xùn)練并且有一定的正則化效果，相對(duì)于ResNet[20]減少了參數(shù)量。該網(wǎng)絡(luò)首先經(jīng)過卷積層(Convolution)和池化層(Pooling)，然后輸入給Dense Block。其一共包含四個(gè)Dense Block，每一個(gè)Block結(jié)構(gòu)中含有一個(gè)1×1卷積層和一個(gè)3×3卷積層。隨后接入過渡層減小特征圖尺寸。

SE_block(Squeeze-and-Excitation Networks)由Hu等[16]提出，可以認(rèn)為是一種通道Attention機(jī)制。其利用兩個(gè)全連接層(FC)訓(xùn)練產(chǎn)生針對(duì)特征圖中每一個(gè)通道的權(quán)重，進(jìn)而對(duì)特征進(jìn)行重新校準(zhǔn)，凸顯有用特征并抑制無用特征。事實(shí)上，SE_block能夠嵌入到現(xiàn)有的任意基礎(chǔ)網(wǎng)絡(luò)模型中以進(jìn)一步提高網(wǎng)絡(luò)性能。SE_block結(jié)構(gòu)如圖6所示，圖7(a)為其網(wǎng)絡(luò)架構(gòu)。該結(jié)構(gòu)首先對(duì)輸入特征圖進(jìn)行全局平均池化以把每個(gè)特征通道變成具有全局感受野的實(shí)數(shù)，即Squeeze操作，假設(shè)忽略樣本個(gè)數(shù)，其針對(duì)每一個(gè)通道的特征圖計(jì)算公式如下：

(5)

式中：g∈Rc，gc為第c個(gè)通道的輸出；f∈RH×W×C，fc為第c個(gè)通道的輸入；H為高；W為寬；Fsq(·)為Squeeze操作函數(shù)。隨后接入excitation操作，以捕獲通道之間的相關(guān)性，訓(xùn)練生成針對(duì)于每一個(gè)通道的權(quán)重，其計(jì)算公式如下：

e=Fex(g,W)=σ(W2δ(W1g))

(6)

Uc=Fscale(fc,ec)=ec·fc

(7)

式中：Fscale(·)為權(quán)重和輸入特征的融合函數(shù)。最終輸出特征為U=[U1,U2,…,Uc]。

SRM_block(Style-based Recalibration Module)是由Lee等[17]提出，其Block也可以嵌入在現(xiàn)有的基礎(chǔ)網(wǎng)絡(luò)模型中，與SE結(jié)構(gòu)不同的是其關(guān)注的是每一個(gè)特征通道的style特征，并利用該信息對(duì)通道進(jìn)行重新校正。其網(wǎng)絡(luò)結(jié)構(gòu)與SE_block類似，網(wǎng)絡(luò)架構(gòu)如圖7(b)所示。

其輸入特征X∈RN×H×W×C，style特征T∈RN×C×2由平均池化(AvgPool)和標(biāo)準(zhǔn)差池化(StdPool)計(jì)算得出，其計(jì)算公式分別如式(8)和式(9)所示。

(8)

式中：N為數(shù)據(jù)個(gè)數(shù)；C為通道數(shù)；μnc為第n個(gè)樣本中第c個(gè)通道所計(jì)算得出的均值；xncwh為輸入特征圖中的單個(gè)特征點(diǎn)。

(9)

式中：snc為第n個(gè)樣本中第c個(gè)通道所計(jì)算得出的標(biāo)準(zhǔn)差。該通道所得style特征向量如下：

tnc=[μnc,snc]

(10)

該特征向量tnc∈R2，由μnc、snc連接而成。隨后利用通道全連接層(channel-wise fully connected CFC)對(duì)特征進(jìn)行編碼，公式如下：

znc=Mc·tnc

(11)

式中：Mc是CFC第c個(gè)通道的權(quán)重。M∈RC×2為CFC的權(quán)重參數(shù)，Z∈RN×C為CFC層輸出，隨后經(jīng)過BN層以及Sigmoid函數(shù)進(jìn)行整合。式(12)-式(14)為BN層計(jì)算公式；式(15)為Sigmoid函數(shù)計(jì)算公式。

(12)

(13)

(14)

(15)

(16)

本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)是在DenseNet的基礎(chǔ)上結(jié)合SE_block和SRM_block，DenseNet的基本網(wǎng)絡(luò)參數(shù)保持不變，增長(zhǎng)率k=24，網(wǎng)絡(luò)其他的具體示例以及參數(shù)如表3所示。

表3 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)列表

3 實(shí) 驗(yàn)

數(shù)據(jù)增強(qiáng)后的圖像一共20 690幅，其中訓(xùn)練集20 030幅，測(cè)試集660幅，具體數(shù)據(jù)分布如表2所示。本文采用準(zhǔn)確率(ACC)、靈敏度(SEN)、特異性(SPE)三個(gè)度量指標(biāo)對(duì)網(wǎng)絡(luò)模型進(jìn)行全面的衡量。其表達(dá)公式如下：

(17)

(18)

(19)

式中：TP為正確分類為正樣本的數(shù)量；TN為正確分類為負(fù)樣本的數(shù)量；FN為實(shí)際為正樣本但是預(yù)測(cè)為負(fù)樣本的數(shù)量；FP為實(shí)際為負(fù)樣本但是預(yù)測(cè)為正樣本的數(shù)量。在本數(shù)據(jù)中，病理性近視為正樣本，而非病理性近視為負(fù)樣本。

一般而言，在基礎(chǔ)網(wǎng)絡(luò)之上不同模塊的添加以及組合對(duì)分類的性能有著重要的影響，本文在DenseNet的基礎(chǔ)網(wǎng)絡(luò)之上結(jié)合SE_block、SRM_block，組合出5種網(wǎng)絡(luò)結(jié)構(gòu)分別為：

(1) SE_DenseNet(添加的模塊均為SE_block)。

(2) SRM_DenseNet(添加的模塊均為SRM_block)。

(3) SRM_SE_DenseNet(本文所提出的網(wǎng)絡(luò)結(jié)構(gòu))。

(4) SE_SRM_DenseNet(將SRM_SE_DenseNet中的SE_block和SRM_block互換位置，即Dense_Block內(nèi)部為SRM_block，Transition Layer后接SE_block)。

(5) SS_DenseNet(每個(gè)添加的模塊均由SE_block和SRM_block組成)。

訓(xùn)練過程的初始學(xué)習(xí)率設(shè)為0.001，L2權(quán)重衰減系數(shù)為0.000 1，DenseNet的增長(zhǎng)率為24，SE_block的衰減率為8，每次迭代傳輸16幅數(shù)據(jù)。損失函數(shù)為交叉熵?fù)p失函數(shù)并使用Adam[21]優(yōu)化方法對(duì)參數(shù)進(jìn)行優(yōu)化。經(jīng)過一定次數(shù)的迭代之后，其測(cè)試最高準(zhǔn)確率分別為：78.94%、79.85%、80.03%、79.85%、79.11%，而不加模塊的DenseNet準(zhǔn)確率只有77.59%，可見增加模塊確實(shí)提高了網(wǎng)絡(luò)的性能。其ACC、SEN、SPE如圖8所示，ROC曲線以及AUC面積如圖9所示，圖10為混淆矩陣。

根據(jù)實(shí)驗(yàn)結(jié)果可知，SRM_SE_DenseNet網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到了最佳分類準(zhǔn)確率，其特異性和靈敏度分別為88.55%、69.54%。DenseNet網(wǎng)絡(luò)取得了最大的特異性值為96.93%，但是靈敏度卻最小僅有53.97%，而SRM_DenseNet卻得到最大的靈敏度值為70.86%和最小的特異性值86.59%。從ROC曲線以及混淆矩陣可以看出SE_DenseNet和SS_DenseNet網(wǎng)絡(luò)結(jié)構(gòu)的AUC面積要大于SRM_SE_DenseNet，但是這兩個(gè)模型的特異性和靈敏度差值過大，可見對(duì)識(shí)別具有較大的傾向性，即對(duì)正樣本識(shí)別較差，而對(duì)負(fù)樣本識(shí)別較好，相較與SRM_SE_DenseNet來說這種傾向性減小了很多。其次可知SRM_DenseNet和SRM_SE_DenseNet的傾向性都相對(duì)較低但是SRM_SE_DenseNet網(wǎng)絡(luò)的準(zhǔn)確率、AUC、特異性均要好于SRM_DenseNet網(wǎng)絡(luò)。綜合考慮，最理想的網(wǎng)絡(luò)結(jié)構(gòu)即為SRM_SE_DenseNet。

為了充分證明本文提出的網(wǎng)絡(luò)性能，本文也與幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)對(duì)比，分別為Alexnet[22]、VGG16[23]、GoogleNet[24]、ResNet50[20]。其實(shí)驗(yàn)結(jié)果如表4所示。從實(shí)驗(yàn)結(jié)果可以看出本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于其他幾種網(wǎng)絡(luò)取得了最高的準(zhǔn)確率，其靈敏度僅次于Alexnet，總體性能最佳。

表4 與經(jīng)典網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)數(shù)據(jù)表

與此同時(shí)本文也在CPU：Intel Xeon Gold 5118，內(nèi)存：62 GB，顯卡：GeForce RTX 2080Ti的設(shè)備上測(cè)試了不同組合的網(wǎng)絡(luò)結(jié)構(gòu)和經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)在該數(shù)據(jù)集上的識(shí)別效率(時(shí)間)。分別是整體測(cè)試集的識(shí)別時(shí)間和單幅圖像的識(shí)別時(shí)間，實(shí)驗(yàn)結(jié)果如表5所示?？梢钥闯?，SRM_SE_DenseNet在整體測(cè)試集上的識(shí)別時(shí)間能達(dá)到18.131 9 s，針對(duì)單幅圖像的識(shí)別時(shí)間能達(dá)到0.027 5 s，與其他網(wǎng)絡(luò)的識(shí)別效率相差不多。

表5 識(shí)別效率時(shí)間表

續(xù)表5

識(shí)別效率與多種因素有關(guān)，比如模型的層數(shù)、復(fù)雜度、計(jì)算量等，各參數(shù)不同則識(shí)別效率不同，相對(duì)來說，模型越簡(jiǎn)單識(shí)別所用時(shí)間越短但是識(shí)別性能則會(huì)相對(duì)下降。由于本系統(tǒng)為離線診斷系統(tǒng)，并且圖像識(shí)別的準(zhǔn)確性關(guān)乎病人的生命健康，所以在識(shí)別時(shí)間差距不大的情況下，更注重網(wǎng)絡(luò)的識(shí)別率，因此SRM_SE_DenseNet的綜合性能較為突出。

4 結(jié) 語

本文提出一種在超廣角眼底圖像上對(duì)病理性近視進(jìn)行自動(dòng)診斷的方法，做到輔助醫(yī)生進(jìn)行有效的診斷，相對(duì)減少醫(yī)生的工作量，為遠(yuǎn)程輔助醫(yī)療打下了一定的基礎(chǔ)，以減少因?yàn)橘Y深眼科醫(yī)生以及醫(yī)療設(shè)備不足而造成病人不能及時(shí)診療的事情發(fā)生。該方法主要通過圖像處理以及深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，最終的實(shí)驗(yàn)結(jié)果也證明了該方法的有效性。但是由于超廣角眼底圖像的特殊性質(zhì)，在裁剪過程中細(xì)節(jié)特征的丟失是在所難免的，以及對(duì)病理性近視的分類方法并不是根據(jù)眼底的實(shí)質(zhì)性病變進(jìn)行判斷的，所以這都是造成判斷錯(cuò)誤以及靈敏度較低的原因。但是總體來說，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)表現(xiàn)出來的性能也已經(jīng)充分證明了深度神經(jīng)網(wǎng)絡(luò)在眼底圖像上特別是針對(duì)病理性近視診斷上有著重要的應(yīng)用價(jià)值。未來的工作將會(huì)圍繞以上提出的兩個(gè)問題進(jìn)行研究，盡量在保留細(xì)節(jié)特征的前提下，使用根據(jù)眼底實(shí)質(zhì)性病變進(jìn)行病理性近視分類的數(shù)據(jù)集進(jìn)行診斷，進(jìn)一步提高識(shí)別的準(zhǔn)確率。