融入IBN的糖尿病视网膜病变分类

针对不同光强、风格、背景影响卷积神经网络对糖尿病视网膜病变(diabetic retinopathy,DR)分类精度的问题,设计了一种基于ResNet-101融合实例批量归一化的方法。在ResNet-101的浅层(Conv2_x、Conv3_x、Conv4_x)的基本模块中,将第一个Conv后的批标准化更换为一半批标准化一半实例标准化。数据集划分为糖尿病视网膜病变阶段检测和糖尿病视网膜病变筛查检测两部分,通过改变曝光、镜像、旋转和添加少量高斯噪声等方式扩充数据集。实验结果表明,融合IBN-Block_1和IBN-Block_2的IBN2-Net在糖尿病视网膜病变阶段检测实验中准确率达到了98.8%,融合IBN-Block_1、IBN-Block_2和IBN-Block_3的IBN3-Net在糖尿病视网膜病变筛查检测实验中准确率达到了98.4%,融入IBN-Block能够提高糖尿病视网膜病变分类模型的精度和鲁棒性。