基于图卷积网络的糖尿病视网膜病变分级模型

糖尿病视网膜病变是一种高风险的致盲性疾病,若能及早发现病变情况,则可对症治疗,减缓或阻止患者进一步的视力丧失。目前已经有一些利用深度学习进行糖尿病视网膜疾病检测的成功案例。然而,这些方法通常只考虑了图像中像素之间的空间关系,而没有考虑到图像深层特征之间的关系。为此,提出了一种基于图卷积网络的糖尿病视网膜病变分级模型,旨在帮助医生和研究人员在临床实践和科研工作中更好地进行糖尿病视网膜病变图像的分级和诊断。本模型主要通过图卷积网络去捕捉图像深层特征间所蕴含的重要的分级信息,获得具有更强语义信息的特征,并在此基础上构建一个双路分支网络。此外,为了更好地进行特征融合,采用自适应权重机制来进一步提高分级性能。实验结果表明,所提出的方法利用图卷积网络可以充分学习到图像深层特征间的关系,从而提高分级性能,其分类准确率在APTOS2019数据集上达到约84.8%,在Messidor-2数据集上达到约68%。