关注细粒度特征的视网膜病变自动分级

糖尿病视网膜病变(diabetic retinopathy,DR)是糖尿病并发症最常见的疾病之一。由于视网膜图像病灶存在类间差异小、特征复杂的特点,导致传统深度学习网络对病灶点不聚焦、特征提取不充分等问题。针对上述问题,提出一种视网膜病变的自动分类模型D-SCNet。首先设计一种全局注意力模块SC,它以空间加通道的方式交替排列,相互促进,克服传统全局注意模块先通道后空间两维独立作用的注意方式;再使用高效激活函数EReLU进行非线性处理,加大对有效区域中黄色环、亮红色斑块和视盘区病变点数的关注度。最后,以轻量化DenseNet121为主干网络,将注意力模块SC放置于瓶颈结构的3×3卷积之后,得到新的特征提取瓶颈结构,促使网络提取有效信息,提高分类精度。测试结果表明,SC注意力模块具有一定的泛化作用,在传统典型网络Vgg、ResNet、Xception上对分类准确率分别提升3.04%、0.76%、2.48%;同时D-SCNet模型相比现有模型具有一定的优越性。若将该模型应用在临床上,可协助眼科医生对视网膜病变进行初级筛查。