使用迁移学习和数据扩增的五类和二值糖尿病性视网膜病变分类方法研究-计算机科学-机器学习-深度学习-数据扩增-医学成像.pdfVIP

Highlights

使用迁移学习和数据扩增的五类和二值糖尿病性视网膜病变分类方法研究

FaisalAhmed,MohammadAlfradNobelBhuiyan

•提出了一种鲁棒的深度学习框架，用于二分

类和五分类糖尿病视网膜病变（DR）分类。

•类平衡数据增强策略显著提高了模型性能并

解决了数据集不平衡问题。

•对预训练的卷积神经网络（ResNet，Efficient-

Net）进行广泛的评估，以确定糖尿病视网膜

本病变分类的最佳架构。

译•实现了最先进的二分类准确率98.9%，AUC

中为99.4%。

1

v•在五类DR严重程度分级中达到了具有竞争

1力的性能，准确率为84.6%，AUC为94.1%。

2

1

7

1

.

7

0

5

2

:

v

i

x

r

a

使用迁移学习和数据扩增的五类和二值糖尿病性视网膜病变分类方法

研究

ab

FaisalAhmed,MohammadAlfradNobelBhuiyan

aDepartmentofDataScienceandMathematics,Embry-RiddleAeronauticalUniversity,3700WillowCreekRd,Prescott,Arizona

86301,USA

bDepartmentofMedicine,LouisianaStateUniversityHealthSciencesCenter,1501KingsHighway,Shreveport,Louisiana71103,USA

Abstract

糖尿病视网膜病变（DR）是全球视力丧失的主要原因之一，通过自动视网膜图像分析进行早期诊断可

以显著降低失明的风险。本文提出了一种稳健的深度学习框架，用于二分类和五分类的DR分类，利

用迁移学习和广泛的数据扩增来解决类别不平衡和训练数据有限的问题。我们在APTOS2019数据集

上评估了一系列预训练卷积神经网络架构，包括ResNet和EfficientNet的各种变体。

对于二分类任务，我们提出的模型达到了最先进的准确率98.9%，精确率为98.6%，召回率为

99.3%，F1得分为98.9%，AUC为99.4%。在更具挑战性的五类严重程度分类任务中，我们的模型获

得了具有竞争力的准确率84.6%和AUC94.1%，超越了几种现有的方法。我们的研究还表明，在这两

个任务中，EfficientNet-B0和ResNet34提供了精度与计算效率之间的最佳权衡。

这些结果强调了将类别平衡增强与迁移学习相结合在高绩效DR诊断中的有效性。所提出的框架

为DR筛查提供了可扩展且准确的解决方案，具有在现实世界临床环境中部署的潜力。

Keywords:糖尿病视网膜病变,深度学习,迁移学习,数据扩增„医学成像

1.介绍传统上，糖尿病视网膜病变的诊断是通过训

练有素的眼科医生手动检查彩色眼底图像来完成

截至2023年8月，世界卫生组织（WHO）报

的。这一过程劳动密集、耗时且受观察者间差异

告称，全球超过22亿人患有近视或远视障碍，其

的影响，可能导致分级结果不一致和治疗延迟。为

中至少10亿例是可以预防或未得到处理的[1]。

此，医学影像界越来越多地采用机器学习（ML）

导致视力丧失的主要原因之一是糖尿病性视网膜