SSM:基于孪生网络的糖尿病视网膜眼底图像分类模型

摘要：

糖尿病视网膜病变是由糖尿病引起的一种重要眼部疾病,不及时治疗可能会导致失明,现有的诊断方法主要依靠医生手动分类,但这种方法耗时耗力.随着深度学习的发展,越来越多的自动分类技术被应用到医学领域.针对糖尿病视网膜病变严重程度的分类问题,样本图像十分稀缺,传统的单支模型很难达到较高的分类性能,提出一种孪生结构的分类模型Siamese Model with Swin-Transformer and MLP-Based U-Net(SSM),并利用数据扩增来解决此问题.首先,利用直方图均衡化、高斯滤波和增强对比度等方法预处理图像;然后,将预训练的Swin-Transformer作为SSM模型的特征提取分支网络来获得层次化的特征表示;此外,还设计了一个含有跳跃连接结构的MLP-Based U-Net(MU-Net)作为SSM模型的分类器来对提取的特征进行分类.在Messidor数据集上进行训练和测试,与现有最先进的模型相比,SSM模型性能更优,在测试集上的精确率达0.976,召回率达0.975,F1达0.976,准确率达0.975,Kappa系数达0.967.

关键词：糖尿病视网膜病变分类、深度学习、孪生网络、Transformer

所属期刊栏目：59

分类号：TP391.41;R587.2;R774.1(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏省研究生科研与实践创新计划项目

在线出版日期：2023-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：425-434