糖尿病性視網膜病變是一種常見的眼科疾病,它是糖尿病引起的微血管併發症之一,也是一種不可逆致盲性疾病。截至2017年,全球約有4.51億人患有糖尿病,預計到2045年,這個數字將增加到6.93億。在中國,糖尿病患者中患視網膜病變者佔比高達23%。

（卷積神經網路模型）

針對光學相干層析(OCT)獲得的醫學影象採用人工的方式進行病變診斷,存在許多問題,如醫師閱片較慢、診斷過程中容易出現漏檢和誤檢等。而糖尿病視網膜病變(DR)患者數量較多,基層地區醫療資源匱乏,導致大量患者無法及時接受治療,因此視網膜病變早期診斷尤為重要。近年來,卷積神經網路(CNN)在計算機視覺領域表現優異,藉助深度學習技術,構建計算機輔助診療系統,可以幫助醫師對疾病進行初步篩查,甚至能夠精確診斷出疾病型別。

深度學習模型能夠提取影象更深層次的資料特徵,彌補人類對於影象特徵認知不足的缺陷,可以有效避免專業醫師主觀性漏診和誤診情況的發生。

基於深度學習方法對醫學影象進行智慧診斷,均取得了不錯的效果,但訓練模型時仍存在對裝置要求較高、泛化能力弱、分類時長較長等缺點,且其分類準確率仍有待提高。

近日，研究人員提出聯合不同卷積層特徵進行OCT影象分類的方法,將高層特徵和低層特徵融合,提升了模型對影象的理解力,同時採用深度可分離卷積壓縮模型大小,減少了可訓練引數量,解決了訓練難度大、診斷識別時長較長等問題。最終模型的實時診斷時間大大縮短,模型尺寸大大降低,其在分類識別能力上已達專業醫師的診斷水平。

（驗證準確率曲線和驗證損失曲線）

在深層卷積神經網路中,低層次卷積層提取的主要是基礎特徵,層次越高的卷積核提取的特徵越抽象,也越能體現影象的語義資訊。熱力圖中區域越亮,表示該卷積層提取該區域特徵的機率越大,本次研究透過視覺化熱力圖,選取特徵融合層。下圖左邊為原始影象,右邊為5個卷積層對應的熱力圖,由下圖可知,第3層卷積層在病變區域的亮度最大,這說明該層卷積層對於病變部位最感興趣,病變部位特徵的提取對於模型的正確分類十分重要,因此RongheNet模型將第3層卷積層提取的特徵與最後一層卷積層提取的特徵進行融合,以提高網路對影象的表達能力。

（視覺化熱力圖）

利用深度學習技術實現了OCT視網膜影象的自動分類。透過觀察熱力圖,優選感興趣卷積層,創新性地聯合不同層級特徵構建特徵融合層,使用輕量深度可分離卷積層減小模型大小,降低引數量,縮短識別時長,所構建的模型的分類準確率達到97%,召回率和精確率分別達到97%和95%,基於8616張測試集進行分類診斷時僅需63 s,模型佔用記憶體空間僅為54.5 MB,擁有良好的分類效能且能滿足實時診斷需求。

關注風火輪，技術之路常相伴，我是小風風，我們下期見！