4、用于视网膜疾病识别的新型深度学习架构

用于视网膜疾病识别的新型深度学习架构

视网膜疾病是影响全球众多人群的严重健康问题，其中糖尿病性视网膜病变（Diabetic Retinopathy）和年龄相关性黄斑变性（Age - related Macular Degeneration）较为常见。玻璃膜疣（Drusen）是可能在较长时间内引发这些疾病的潜在原因，而脉络膜新生血管（Choroidal Neovascularization，CNV）则是年龄相关性黄斑变性的晚期阶段，每年全球约有20万人受其影响。

尽管现有算法经过了多年改进，但视网膜疾病的识别仍会产生错误结果，需要专家干预。为解决这一问题，我们提出了一种新颖的深度神经网络架构，它不仅能实时识别视网膜疾病，在特定任务上的表现还优于人类专家。

相关研究方法回顾

• 传统图像分析 ：最早通过图像对视网膜疾病进行分类的方法，包含多种图像处理技术，随后进行特征提取和分类。例如，通过在视网膜眼底图像中查找微动脉瘤、出血、渗出物和棉絮斑等异常来对视网膜疾病进行分类。该方法利用降噪算法和模糊处理，将四类问题分解为两个两类问题。按时间顺序，先进行背景减除，再进行形状估计作为特征提取器，最后计算提取的特征以对四种异常进行分类。同时，也有类似技术用于检测糖尿病性黄斑水肿（Diabetic Macular Edema，DME）和脉络膜新生血管，通过操纵视网膜厚度、视网膜增厚增强、黄斑体积、视网膜形态和玻璃体视网膜关系等五个离散参数来实现。还有将统计分类与边缘检测算法相结合以检测尖锐边缘的有效方法。不过，这些技术虽有改进，但在精度上仍不及人类诊断专家。
  |方法|操作步骤|效果|
  | ---- | ---- | ---