青光眼眼底图像的迁移学习分类方法

徐志京，汪 毅

上海海事大学 信息工程学院，上海201306

青光眼是一种慢性、渐进性视觉损伤的眼科疾病，其主要病理特征为视网膜神经节细胞（Retinal Ganglion Cells，RGC）的凋亡和轴突的丧失[1]，从而导致视力逐渐下降甚至失明，严重威胁患者的健康。据统计，全球人群中青光眼的患病率为3.54%，约有6 426万人；预计到2020 年和2040 年分别将达7 602 万人和11 182 万人[2]。由于该病具有较高的隐蔽性，患病初期不易被发现，导致患者得不到及时的治疗。数字眼底图像（DFI）是目前检测青光眼的主要工具之一，因而可以利用眼底图像对青光眼进行前期检测，以免病情的进一步恶化。但眼底图像结构性复杂，采用人工识别方法耗时费力且很难得到客观准确的医疗诊断，因此很多学者尝试采用人工智能技术对眼底图像进行患者筛查，但这是一项极具挑战性的工作。尽管如此，相关工作者还是取得了一定的研究成果：Nguyen等人[3]提出一种基于深度卷积神经网络的端到端深度学习系统，自动地从电子医疗记录中学习病理特征并临床预测患病风险。丁蓬莉等人[4]提出基于紧凑的神经网络CompactNet对视网膜图像进行识别分类，但由于实验样本有限，网络在训练的过程中并没有充分提取到相关特征，因此分类准确率并不高。Marcos等人[5]利用卷积神经网络进行视盘分割，然后去除血管，进而提取出其纹理特征并分类，在临床诊断中获得了良好效果。Raghavendra 等人[6]提出一种利用深度学习技术准确检测青光眼的新型计算机辅助诊断（CAD）系统，设计一个18 层的卷积神经网络，经过有效训练提取特征之后进行测试分类，该系统为青光眼患者早期快速辅助诊断提供了良好的解决方案。……