摘要: 全球至少有22亿人患有不同程度的眼部疾病或视力削弱，而其中50%可通过常规性筛查尽早干预甚至预防。视网膜眼底拍照作为最常见的眼部健康检查方式之一，可以用于初步检查是否患有糖尿病性视网膜病变（DiabeticRetinopathy,DR）、老年性黄斑变性、青光... 展开 全球至少有22亿人患有不同程度的眼部疾病或视力削弱，而其中50%可通过常规性筛查尽早干预甚至预防。视网膜眼底拍照作为最常见的眼部健康检查方式之一，可以用于初步检查是否患有糖尿病性视网膜病变（DiabeticRetinopathy,DR）、老年性黄斑变性、青光眼等多种视网膜疾病（RetinalDiseases）。其中DR是一种发病率较高的糖尿病并发症，也是目前致盲率最高视网膜疾病，患者通常在DR初期因无明显症状而错失最佳治疗机会，导致不可逆的视力受损甚至加剧失明风险。因此利用眼底拍照进行常态化大规模DR筛查可以有效降低群体中罹患DR带来的健康风险。然而在国内医疗资源分布不平衡、读片专业性较强等问题阻碍了大规模筛查的实施，因而亟待研究出自动辅助诊断方法解决这一问题。 数据驱动的机器学习方法，尤其是深度学习模型，为自动诊断视网膜疾病提供了技术支撑。基于深度模型的眼病诊断一般需要高质量、多样性和均衡分布的数据集支持。然而，大部分现有数据集专注于特定类型的眼病，部分数据集存在标签噪声或图像质量低的问题，为面向自动筛查诊断的深度学习模型研究带来了困难。 在高质量数据集的支持下，深度学习能够极大地辅助眼科医生进行早期DR筛查诊断。研究表明，基于卷积神经网络的深度学习模型可以检测或分割出微动脉瘤、出血、硬性渗出和棉绒斑等DR相关病灶，并且有利于DR自动筛查诊断。细粒度DR病灶检测任务的关键在于：（1）提取对微小病灶区域敏感且对DR无关干扰具有鲁棒性的判别特征；（2）从数据分布极不平衡的图像中学习病灶特征。因此，构建高质量眼底彩照数据集和开发出高性能的DR自动检测方法对于促进大规模眼部健康筛查具有重要意义。本文从数据集与深度学习模型两个方面对DR自动检测展开了研究，具体研究内容如下。 (1)为了扩展现有的多疾病眼底彩照数据集，本文构建出了一个包含28,877张眼底彩照的全新高质量数据集EDDF，该数据集可支持基于深度学习的诊断模型研究。该数据集包含15,000个健康样本，以及DR、老年性黄斑变性（Age-relatedMacularDegeneration,AMD）、青光眼、病理性近视、高血压视网膜病变和视网膜静脉阻塞等8种视网膜疾病的样本，并给出对应的人工标注，其中针对DR和AMD样本还给出了病情分级标签。基于该数据集，本文通过大量实验给出了主流深度模型在多疾病筛查和分级任务中的基准指标。 (2)为了提高DR自动检测的准确性，本文提出了一种基于深度注意力机制的DR病灶感知网络模型（LANet），该模型利用注意力机制，可以较好地从不平衡数据中捕获DR病灶特征信息。LANet由本文设计的病灶感知模块（LAM）和特征融合模块（FPM）嵌入基于卷积神经网络的“编码器-解码器”结构而构建，LAM用来从高级特征中捕获病灶区域，FPM用来辅助低级与高级特征的融合并恢复病灶位置。通过LANet可以输出DR病灶分割图。并在具有像素级标注的IDRiD-Seg、DDR-Seg和FGADR-Seg三个数据集上进行DR病灶分割实验，结果表明，LANet取得的mAP指标较于第二名提高了18.0%、4.6%和1.9%。此外，通过消融实验也验证了本文所提出的子模块的有效性。 (3)为了在获得DR病灶分割图的同时输出筛查诊断的预测结果，本文以LANet为核心，利用其捕获的DR病灶相关特征，通过简单地添加分类组件，将其进一步扩展为DR病灶感知辅助筛查网络模型（LASNet）。最后，在DDR-Scr和本文构建的EDDF两个数据集的DR筛查诊断实验结果中，LASNet取得了0.963和0.987的AUC指标，均优于其他主流方法。 收起