融合注意力机制与多任务学习的DR分级模型

徐常转，吴 云，蓝 林，黄自萌

贵州大学 计算机科学与技术学院，贵阳550025

糖尿病视网膜病变是糖尿病最常发生的并发症，也是导致失明的主要原因[1]。不受控制的糖尿病及其并发症最终导致DR[2]。DR的临床诊断需要眼科医生仔细检查患者的彩色眼底图像，然后对严重程度进行分级。诊断的准确性和时间对治疗非常重要，如果能够准确且足够早地检测到DR，通过一些保健措施可以有效地延迟视力损害的进展。根据最新的英国国家标准，DR可分为五个阶段，严重程度逐渐增加：正常、轻度、中度、严重和增生（为简单起见，也分别使用0到4来表示这些类别）。图1显示了DR不同阶段的彩色眼底图像。DR的分类涉及对患者的彩色眼底图像中呈现的几种病理的视觉特征加权[3]。这些病理特征包括微动脉瘤、出血、硬性渗出物、软性渗出物、新血管形成等。如微动脉瘤这一病理特征十分微小，这些微小难发现的病理使得眼科医生的临床诊断困难且耗时。随着深度学习在计算机视觉的发展，如果对分类模型进行训练，计算机可以快速准确地对DR进行分类。

几十年中，DR的自动分类研究一直是医学图像处理中较为活跃的领域。许多研究人员提出了不同的方法来分类DR。根据不同的分类标准，这些方法主要分为三种类型：第一类是二元分类，即有或没有DR；第二种是正常，非增殖或增殖性DR的三级分类；第三种是目前最广泛使用的标准，即是第一部分中所提及的五级分类。

对于二元分类，Gardner等[4]使用像素强度作为神经网络的输入特征，并且在约200幅图像的小数据集上分别获得88.4%和83.5%的灵敏度和特异性结果。……