用于糖尿病视网膜病变五期检测的多任务深度学习模型

本文提出一种多任务深度学习模型，用于检测糖尿病视网膜病变（DR）的全部五期，包括无DR、轻度DR、中度DR、重度DR和增殖性DR。该多任务模型由一个分类模型和一个回归模型组成，各自具有独立的损失函数。注意到较高级别严重程度通常发生于较低级别之后，通过将分类模型与回归模型拼接来考虑这种依赖关系。回归模型学习各阶段间的相互依赖关系，并输出对应于DR严重程度的分数，严重程度越高分数越大。在分别训练回归模型与分类模型后，将两模型提取的特征拼接并输入多层感知机网络以分类DR的五期。本文改进了Squeeze Excitation Densely Connected深度神经网络来实现该多任务方法。所开发的多任务模型随后通过考察APTOS和EyePACS两个大型Kaggle数据集来检测DR五期。还基于Xception网络开发了多任务迁移学习模型，通过将DR分为五期来评估所提方法。结果表明，所开发模型在APTOS和EyePACS数据集上分别取得了0.90和0.88的加权Kappa分数，高于现有任何用于DR五期检测的方法。