基于多通道的光学相干层析成像视网膜图像自动分类研究

光学相干层析成像(OCT)是获取眼部图像的主要技术手段之一。常见的眼科临床症状有软性玻璃疣,糖尿病性黄斑水肿和脉络膜新生血管性疾病。根据OCT图像的特殊性,通过利用深度神经网络对上述常见病变图像进行自动分类识别,提出了基于OCT视网膜病变图像自动分类的轻量级卷积神经网络—GM-OCTnet,其具有多通道、多尺度和相对轻量化等特点,并且能实现高精度、低误诊或少漏诊。此外,将所提出的模型与传统轻量级模型在OCT数据集中进行了比较。实验表明,利用混合深度分离卷积和轻量型注意力机制替换原始深度卷积和压缩注意力机制,相比传统的GhostNet模型平均准确率提高了2%左右,验证了该方法在OCT视网膜图像自动分类识别的性能和有效性。