基于 ResNet-101 的深度特征提取与数据增强用于糖尿病视网膜病变的有效诊断

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：ResNet-101-Based Deep Feature Extraction and Data Augmentation for Effective Diagnosis of Diabetic Retinopathy

　　

摘要

糖尿病视网膜病变（DR）是劳动年龄成年人视力丧失的主要原因。由于其早期阶段无症状的特性，其诊断尤为困难。尽管早期检测至关重要，但由于早期病变细微以及专家间的变异性，当前的自动化诊断方法往往表现出有限的性能，在 Messidor-2 等基准数据集上报告的准确率通常在 85% 到 93% 之间。我们提出了一种鲁棒的深度学习（DL）框架，集成了一种新颖的数据增强策略，用于自动的二分类和多分类 DR 检测。该方法专门针对细微病变（例如微动脉瘤）的检测，以提高轻度非增殖性糖尿病视网膜病变（NPDR）阶段的分类性能。我们利用了 Messidor-2 数据集中的高分辨率视网膜眼底图像，并使用预训练的深残差网络（ResNet-101）模型提取了层次化特征。为了解决标注数据稀缺的问题而不损害视网膜结构，我们开发了一种新颖的“象限混合”数据增强策略，该策略在保留病变形态的同时引入了解剖学多样性。采用 ResNet-101 架构是为了利用其深度残差学习能力，从而能够捕捉识别早期生物标志物所需的细粒度特征。提取的深度特征使用支持向量机（SVM）分类器进行分类，以最大化类间决策边界。在最具综合性的增强场景（每类 5000 个样本）下的实验结果表明，二分类和多分类任务的准确率分别为 96.09% 和 92.24%。这些发现表明，提出的解剖感知增强结合深度残差学习，显著优于传统的诊断方法。

糖尿病视网膜病变（DR）是劳动年龄成年人视力丧失的主要原因。由于其早期阶段无症状的特性，其诊断尤为困难。尽管早期检测至关重要，但由于早期病变细微以及专家间的变异性，当前的自动化诊断方法往往表现出有限的性能，在 Messidor-2 等基准数据集上报告的准确率通常在 85% 到 93% 之间。我们提出了一种鲁棒的深度学习（DL）框架，集成了一种新颖的数据增强策略，用于自动的二分类和多分类 DR 检测。该方法专门针对细微病变（例如微动脉瘤）的检测，以提高轻度非增殖性糖尿病视网膜病变（NPDR）阶段的分类性能。我们利用了 Messidor-2 数据集中的高分辨率视网膜眼底图像，并使用预训练的深残差网络（ResNet-101）模型提取了层次化特征。为了解决标注数据稀缺的问题而不损害视网膜结构，我们开发了一种新颖的“象限混合”数据增强策略，该策略在保留病变形态的同时引入了解剖学多样性。采用 ResNet-101 架构是为了利用其深度残差学习能力，从而能够捕捉识别早期生物标志物所需的细粒度特征。提取的深度特征使用支持向量机（SVM）分类器进行分类，以最大化类间决策边界。在最具综合性的增强场景（每类 5000 个样本）下的实验结果表明，二分类和多分类任务的准确率分别为 96.09% 和 92.24%。这些发现表明，提出的解剖感知增强结合深度残差学习，显著优于传统的诊断方法。