王嬌，方全，羅芬，張美玲，唐奇伶

(中南民族大學(xué) 生物醫(yī)學(xué)工程學(xué)院，武漢 430074)

糖尿病視網(wǎng)膜病變，通常稱為糖網(wǎng)病(Diabetic Retinopathy，DR)，是糖尿病的并發(fā)癥[1].長(zhǎng)期的高血糖環(huán)境會(huì)損傷視網(wǎng)膜血管的內(nèi)皮，引起視網(wǎng)膜血管中血液滲漏和營(yíng)養(yǎng)物質(zhì)滲出，從而影響視覺(jué).DR患者失明的概率是正常人的25倍，為了減少DR對(duì)視力的損害，及早發(fā)現(xiàn)和治療是非常重要的.

眼底圖像正常結(jié)構(gòu)包含有視盤(pán)、動(dòng)靜脈血管、中央凹(視盤(pán)外側(cè)的反射光點(diǎn))，常見(jiàn)的病變包括微血管瘤、滲出物(表現(xiàn)為不規(guī)則的黃、白色區(qū)域)、出血、新生血管[2,3]，如圖1所示.

對(duì)DR眼底圖像識(shí)別的主流方法有兩種：局部分析策略和全局分類(lèi)策略[4].

局部分析策略的主要思路是對(duì)眼底圖像中的特定病變進(jìn)行提取、檢測(cè)，根據(jù)檢測(cè)到的病變數(shù)量、面積對(duì)整張圖像進(jìn)行分級(jí)，需先去除眼底圖像中的視盤(pán)、動(dòng)靜脈血管、中央凹等正常結(jié)構(gòu).雖然此策略對(duì)特定病變具有針對(duì)性，在數(shù)據(jù)量少的情況下也能較為準(zhǔn)確的檢測(cè)出病變，但如果以對(duì)整張圖像的病程分類(lèi)為目的，這種方法較為繁瑣，需要針對(duì)不同病灶使用不同的特征提取方法.

全局分類(lèi)方法針對(duì)整張圖像進(jìn)行特征提取和分類(lèi)，不需要針對(duì)單一病變特征進(jìn)行檢測(cè).此方法整體過(guò)程分為圖像預(yù)處理，特征提取，分類(lèi)三個(gè)步驟，在數(shù)據(jù)量充足的情況下能達(dá)到較高的識(shí)別度和準(zhǔn)確率.GULSHAN等人[5]使用Inception-V3網(wǎng)絡(luò)結(jié)構(gòu)對(duì)12萬(wàn)張DR圖像進(jìn)行訓(xùn)練分類(lèi)，圖像由眼科醫(yī)生標(biāo)注，圖像分為5種級(jí)別.訓(xùn)練時(shí)網(wǎng)絡(luò)參數(shù)統(tǒng)一隨機(jī)初始化，在訓(xùn)練過(guò)程中根據(jù)誤差調(diào)整網(wǎng)絡(luò)參數(shù)，在Messidor-2數(shù)據(jù)集上實(shí)現(xiàn)很好的分類(lèi)效果.但是Inception-V3的網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜，有大量的參數(shù)，對(duì)訓(xùn)練設(shè)備要求很高，并且需要眼科醫(yī)生對(duì)大量數(shù)據(jù)進(jìn)行預(yù)先標(biāo)注.

本文對(duì)DR眼底圖像的識(shí)別使用了全局分類(lèi)策略，不需要針對(duì)特定病灶，而是對(duì)整張圖像提取特征，綜合了各種病灶的分布及特點(diǎn)，極大的簡(jiǎn)化了特征提取的操作.在圖像分類(lèi)領(lǐng)域，傳統(tǒng)CNN模型更多的是用于學(xué)習(xí)單張圖片作為獨(dú)立個(gè)體的數(shù)據(jù).但由于左右眼標(biāo)簽具有較強(qiáng)的關(guān)聯(lián)性，本文基于修改版VGG-16網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)了一種雙眼的特征融合模型，能夠關(guān)聯(lián)、整合左右眼特征進(jìn)行分類(lèi)，并通過(guò)對(duì)比試驗(yàn)證明了此模型對(duì)糖網(wǎng)病圖像數(shù)據(jù)分類(lèi)的優(yōu)越性，具有較高的準(zhǔn)確率、特異度和Kappa度量分?jǐn)?shù).本文主要使用Kappa度量分?jǐn)?shù)來(lái)衡量模型的好壞，根據(jù)Kappa度量分?jǐn)?shù)的定義，引入了一個(gè)新的損失函數(shù)——Kappa損失.通過(guò)實(shí)驗(yàn)驗(yàn)證了使用Kappa損失與交叉熵?fù)p失的混合損失函數(shù)能夠提高糖網(wǎng)病圖像識(shí)別結(jié)果與真實(shí)值的一致性.

1 結(jié)合雙輸入的卷積神經(jīng)網(wǎng)絡(luò)模型擴(kuò)展

1.1 左右眼標(biāo)簽的關(guān)聯(lián)性

糖網(wǎng)病眼底圖像的數(shù)據(jù)包含了不同個(gè)體的左右眼.每個(gè)個(gè)體的左右眼圖像具有極為相似的亮度、色彩與結(jié)構(gòu)特征，如圖2所示：

圖2 糖網(wǎng)病數(shù)據(jù)同一個(gè)體左右眼Fig.2 DR data for both eyes of the same individual

表1為本文所使用數(shù)據(jù)的左右眼標(biāo)簽(標(biāo)簽是原始數(shù)據(jù)中糖網(wǎng)病病程的分類(lèi)，為0-4類(lèi)，共5類(lèi))統(tǒng)計(jì)：左右眼為同一標(biāo)簽的數(shù)據(jù)占總數(shù)據(jù)的92.7%，左右標(biāo)簽相差1的數(shù)據(jù)占總數(shù)據(jù)的5.2%，由此可證明左眼與右眼標(biāo)簽具有較強(qiáng)的相關(guān)性.

表1 左右眼標(biāo)簽統(tǒng)計(jì)(單位/對(duì))Tab.1 Left and right eye label statistics (unit/pair)

1.2 雙眼融合網(wǎng)絡(luò)結(jié)構(gòu)

本文以孿生神經(jīng)網(wǎng)絡(luò)[6](Siamese Network)為啟發(fā)，設(shè)計(jì)了一種能夠關(guān)聯(lián)、整合左右眼特征進(jìn)行分類(lèi)的網(wǎng)絡(luò)結(jié)構(gòu).文獻(xiàn)[6]中的網(wǎng)絡(luò)有兩個(gè)輸入，將其分別用各自的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在網(wǎng)絡(luò)的末尾將輸出映射到新的空間，最后經(jīng)過(guò)損失函數(shù)的計(jì)算，評(píng)價(jià)兩個(gè)輸入的相似度.本文提出的網(wǎng)絡(luò)結(jié)構(gòu)也具有兩個(gè)輸入，分別為同一個(gè)體的左眼和右眼，通過(guò)各自特征提取網(wǎng)絡(luò)(Feature Extraction Net)分別提取特征.左右眼的特征提取網(wǎng)絡(luò)具有相同的結(jié)構(gòu)與層數(shù)，并在最后使用Concatenate層將各自最后的特征圖進(jìn)行通道合并，至此兩個(gè)獨(dú)立網(wǎng)絡(luò)匯集成單一網(wǎng)絡(luò)，之后使用全局平均池化(Global average Pooling)對(duì)混合特征圖進(jìn)行最后的特征提取,隨后接入包含有10個(gè)神經(jīng)元的全連接層，最后再將10個(gè)神經(jīng)元分別導(dǎo)向2個(gè)包含5類(lèi)的softmax分類(lèi)器分別對(duì)兩張圖片分類(lèi)，完成網(wǎng)絡(luò)的再分割.如圖3所示：

1.3 特征提取網(wǎng)絡(luò)

使用的特征提取網(wǎng)絡(luò)參照VGG-16網(wǎng)絡(luò)結(jié)構(gòu)，為了使模型能夠更多的提取到圖像關(guān)于病灶的分布等高級(jí)特征，此模型在VGG-16模型的基礎(chǔ)上，在網(wǎng)絡(luò)后半部分適當(dāng)添加了卷積層，并對(duì)前半部分進(jìn)行修改以減小參數(shù)量和計(jì)算量、適應(yīng)圖像的輸入尺寸，具體結(jié)構(gòu)如圖4所示：

圖3 雙輸入雙輸出網(wǎng)絡(luò)示意圖Fig.3 Dual input and dual output network

圖4 特征提取網(wǎng)絡(luò)示意圖Fig.4 Feature extraction network

由于糖網(wǎng)病圖像中有些病灶區(qū)對(duì)比度較低，而大的感受野能結(jié)合更多的周邊上下文信息，對(duì)低對(duì)比度的目標(biāo)具有更好的判別效果，因此網(wǎng)絡(luò)的第一層卷積采用較大的卷積核7×7，之后的卷積核大小為3×3，第3、4、5個(gè)池化層前額外添加一個(gè)1×1的卷積核.1×1的卷積核具有三個(gè)主要作用：

(1)在不改變特征圖大小的情況下進(jìn)行升維、降維；(2)在不損失特征圖分辨率的情況下配合非線性激活函數(shù)極大增加非線性；(3)跨通道進(jìn)行信息交互.

1.4 Kappa 損失函數(shù)

為了提高糖網(wǎng)病圖像識(shí)別結(jié)果與真實(shí)值的一致性，根據(jù)Kappa度量分?jǐn)?shù)的定義引入了一個(gè)新的損失函數(shù)——Kappa損失，通過(guò)結(jié)合交叉熵與Kappa度量分?jǐn)?shù)，兼顧了識(shí)別的準(zhǔn)確率與識(shí)別結(jié)果和真實(shí)值的一致性.

Kappa損失函數(shù)接受的參數(shù)為數(shù)據(jù)的標(biāo)簽和數(shù)據(jù)的預(yù)測(cè)結(jié)果.數(shù)據(jù)的標(biāo)簽為n×5的矩陣，表示將批次大小為n的圖片的每一張圖像標(biāo)簽都轉(zhuǎn)換為5個(gè)狀態(tài)的獨(dú)熱碼(one-hot code)，例如標(biāo)簽為0的圖片表示為[1,0,0,0,0]，標(biāo)簽為3的圖片表示為[0,0,0,1,0].數(shù)據(jù)的預(yù)測(cè)結(jié)果同樣為n×5的矩陣，表示批次大小為n的圖片的5類(lèi)預(yù)測(cè)概率矩陣.并定義nom=∑i,jwi,jOi,j，denom=∑i,jwi,jEi,j.wi,j與Oi,j見(jiàn)式(3)下注釋.Kappa損失定義為式(1)：

(1)

為了能夠探究Kappa損失對(duì)實(shí)驗(yàn)結(jié)果的影響，實(shí)驗(yàn)將采用交叉熵?fù)p失與Kappa損失的混合損失函數(shù)作為最終的損失函數(shù)，如式(2)：其中α為人為設(shè)定的權(quán)值，用來(lái)對(duì)照Kappa損失在不同權(quán)重下對(duì)模型的影響.t是標(biāo)簽，y是預(yù)測(cè)值，t和y都是一個(gè)向量，對(duì)應(yīng)長(zhǎng)度是預(yù)測(cè)的類(lèi)別數(shù).

Loss=Log_Loss+α·Kappa_Loss,α∈[0,1],

Log_Loss=-∑t·logy.

(2)

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文使用的是Kaggle在2015年競(jìng)賽的糖網(wǎng)病數(shù)據(jù)集，包括29874張眼底圖像，包含每個(gè)人的左右眼數(shù)據(jù).每張圖像都由臨床醫(yī)生進(jìn)行診斷評(píng)級(jí)，結(jié)果為0到4，分別對(duì)應(yīng)無(wú)DR，輕度，中度，重度，增值型DR.原始數(shù)據(jù)在每一類(lèi)分布上極其不均勻，絕大部分?jǐn)?shù)據(jù)集中在第0類(lèi).原始圖像的像素在2000×3000到3000×4000之間，數(shù)據(jù)構(gòu)成比例如表2.

表2 5個(gè)階段DR數(shù)據(jù)分布Tab.2 Distribution of data in 5 DR stages

2.2 數(shù)據(jù)預(yù)處理

眼底圖像包含圓形的視網(wǎng)膜區(qū)域和黑色背景，通過(guò)設(shè)定閾值去除圓形信息區(qū)周?chē)鸁o(wú)用的黑色區(qū)域；由于圖像的原始尺寸較大，為增大訓(xùn)練速度，所有的圖像被縮小到512×512大小；原始圖像由不同相機(jī)拍攝，具有不同的亮度和色彩特征，需統(tǒng)一對(duì)數(shù)據(jù)進(jìn)行亮度、對(duì)比度的調(diào)整；為了使網(wǎng)絡(luò)能夠平等地學(xué)習(xí)到各類(lèi)圖像的特征，數(shù)據(jù)多的類(lèi)別將采用部分?jǐn)?shù)據(jù)，數(shù)據(jù)少的類(lèi)別將會(huì)按照比例進(jìn)行擴(kuò)充，為了減少過(guò)擬合，擴(kuò)充的圖像會(huì)被隨機(jī)旋轉(zhuǎn)0-360度[7].處理后的圖像如圖5所示：

圖5 處理后的圖像示例Fig.5 Examples of processed images

2.3 實(shí)驗(yàn)設(shè)計(jì)

2.3.1 對(duì)照組設(shè)計(jì)

為了比較本文采用的VGG-16[8]修改版特征提取網(wǎng)絡(luò)+雙眼融合網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)越性，進(jìn)行的實(shí)驗(yàn)分別選擇了：傳統(tǒng)的單輸入單輸出卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet、VGG-16；以AlexNet為特征提取網(wǎng)絡(luò)的雙眼融合網(wǎng)絡(luò)(Net1)，以VGG-16結(jié)構(gòu)為特征提取網(wǎng)絡(luò)的雙眼融合網(wǎng)絡(luò)(Net2)，以修改版VGG-16結(jié)構(gòu)為特征提取網(wǎng)絡(luò)的雙眼融合網(wǎng)絡(luò)(Net3).采用經(jīng)預(yù)處理、擴(kuò)充、挑選后的16000對(duì)圖像，每對(duì)圖像源于同一個(gè)體的左右眼.每類(lèi)圖像比例大致為1∶1∶1∶1∶1，實(shí)驗(yàn)訓(xùn)練集和驗(yàn)證集的比例設(shè)定為9∶1.

2.3.2評(píng)價(jià)標(biāo)準(zhǔn)

本文將通過(guò)準(zhǔn)確率(Accuracy)、特異度(Specificity)、召回率(Recall)、綜合評(píng)價(jià)指標(biāo)(F1-Measure)以及Kappa度量分?jǐn)?shù)進(jìn)行衡量[9].其定義如下式(3):

(3)

(注：kappa系數(shù)是一種衡量分類(lèi)精度的指標(biāo))

其中TP、FP、TN、FN分別代表正確識(shí)別的正類(lèi)(本文定義為1-4類(lèi))、錯(cuò)誤識(shí)別的正類(lèi)、正確識(shí)別的負(fù)類(lèi)(本文定義為0類(lèi))、錯(cuò)誤識(shí)別的負(fù)類(lèi).在F1中，P和R分別代表精確率和召回率；矩陣wi,j(wi,j是表示5×5大小的系數(shù)矩陣，其對(duì)應(yīng)位置的元素常數(shù)wi,j)能夠區(qū)分錯(cuò)分的類(lèi)的代價(jià)，N(此處為5)代表類(lèi)別數(shù)；Oi,j表示標(biāo)簽為i，識(shí)別結(jié)果為j的圖片構(gòu)成的5×5矩陣；Ei,j表示為一個(gè)訓(xùn)練批次中預(yù)測(cè)概率為0-4類(lèi)各自的概率和構(gòu)成的5×1向量與同一訓(xùn)練批次中0-4類(lèi)圖片數(shù)量構(gòu)成的1×5向量之間的向量積；Kappa度量分?jǐn)?shù)在于評(píng)價(jià)圖像標(biāo)簽和識(shí)別結(jié)果之間的一致性，由于系數(shù)矩陣wi,j的存在，使得如果識(shí)別結(jié)果與真實(shí)值相差較遠(yuǎn)，會(huì)有更大的代價(jià)懲罰.Kappa度量分?jǐn)?shù)的值域在-1到1之間，但通常落在0到1之間，可以認(rèn)為值為0-0.2時(shí)一致性極低、0.2-0.4一致性一般、0.4-0.6一致性中等、0.6-0.8具有高度的一致性、0.8-1幾乎完全一致.

準(zhǔn)確率反應(yīng)出每一類(lèi)被正確識(shí)別的程度，精確率和召回率表現(xiàn)出準(zhǔn)確識(shí)別病變的程度.召回率越高，表示病變被識(shí)別出來(lái)的概率越高，錯(cuò)診率越?。惶禺惗仍礁?，表明正常圖像的正確率越高，漏診率越小；而Kappa度量分?jǐn)?shù)能直觀地反映出預(yù)測(cè)概率與標(biāo)簽的一致程度，體現(xiàn)出模型的性能好壞.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)使用2.3.1章節(jié)的5種網(wǎng)絡(luò)模型，統(tǒng)一采用交叉熵?fù)p失函數(shù)(Cross Entropy Loss)，5分類(lèi)的Softmax分類(lèi)器，訓(xùn)練批次大小為16，網(wǎng)絡(luò)迭代次數(shù)為50，網(wǎng)絡(luò)學(xué)習(xí)率為0.05，第50次迭代的結(jié)果如表3所示：

表3 不同網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)驗(yàn)結(jié)果Tab.3 Experimental results obtained with different network architectures

由表可知在所有的實(shí)驗(yàn)?zāi)Ｐ椭?，Net3具有最高的準(zhǔn)確率、特異度和Kappa度量分?jǐn)?shù)，其中準(zhǔn)確率為77.54%，Kappa度量分?jǐn)?shù)為0.8413.并且不論是AlexNet還是VGG-16，使用了雙眼融合網(wǎng)絡(luò)結(jié)構(gòu)的模型準(zhǔn)確率比不使用提升了3-4個(gè)百分點(diǎn)，Kappa度量分?jǐn)?shù)則提高了0.04-0.05分，證明了雙眼融合結(jié)構(gòu)的優(yōu)越性.AlexNet和Net1的效果不理想，很可能因?yàn)锳lexNet網(wǎng)絡(luò)深度不夠，由此可推斷出在處理具有復(fù)雜特征的圖像時(shí)，使用較深層的網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練會(huì)更有效.

圖6 模型損失變化圖Fig.6 The loss values of different models

圖6為上述5個(gè)模型在50次迭代中驗(yàn)證集的損失值變化圖，其中使用了雙眼融合模型結(jié)構(gòu)的損失值為兩眼各自的損失值的平均值.VGG-16模型與Net3相較于AlexNet模型損失值下降的更快，可推斷出模型能夠更快的收斂.AlexNet模型和Net1都在第35次迭代后不再下降損失值，說(shuō)明已經(jīng)停止學(xué)習(xí)更多特征，因此準(zhǔn)確率不高.而其余三個(gè)模型在第50次迭代時(shí)損失值雖然下降緩慢，但依然有繼續(xù)學(xué)習(xí)的趨勢(shì).

圖7 左右眼與融合模型的損失-準(zhǔn)確率變化圖Fig.7 Loss-accuracy change of left and right eyes and fusion models

為了驗(yàn)證分類(lèi)效果最好的Net3模型在融合雙眼特征后的有效性，分別單獨(dú)激活圖3的左右側(cè)部分來(lái)單獨(dú)訓(xùn)練左右眼圖像.去除融合層和最后的10個(gè)神經(jīng)元全連接層，網(wǎng)絡(luò)其它部分保持不變.圖7為迭代次數(shù)為50時(shí)左右眼和融合模型的損失值與準(zhǔn)確率，訓(xùn)練在15次迭代之前，左、右眼在融合模型單側(cè)激活時(shí)與融合模型的準(zhǔn)確率和損失變化情況非常接近，但在15次之后逐漸拉開(kāi)，第50次迭代時(shí)左、右眼和融合模型的準(zhǔn)確率分別為67.77%、68.01%、77.54%，由此可以證明雙眼融合模型比單眼模型顯著提高了識(shí)別效果.

3.2 損失函數(shù)對(duì)性能的影響

損失函數(shù)在神經(jīng)網(wǎng)絡(luò)中度量輸出的預(yù)測(cè)值和實(shí)際值之間差距，對(duì)結(jié)果具有直接的導(dǎo)向作用.上述5個(gè)實(shí)驗(yàn)?zāi)Ｐ筒捎媒徊骒負(fù)p失函數(shù)，現(xiàn)采用交叉熵?fù)p失與Kappa損失的混合損失作為最終的損失函數(shù)(公式2).使用上節(jié)表現(xiàn)最佳的模型Net3作為訓(xùn)練模型，訓(xùn)練與驗(yàn)證數(shù)據(jù)與上節(jié)相同.表4為第50批驗(yàn)證集的準(zhǔn)確率與Kappa度量分?jǐn)?shù)：

表4 實(shí)驗(yàn)結(jié)果Tab.4 Experimental results

由表可知，系數(shù)α從0增加到0.5時(shí)，Kappa度量分?jǐn)?shù)也會(huì)逐漸增加.當(dāng)沒(méi)有引入Kappa損失(即α= 0)時(shí)，Kappa度量分?jǐn)?shù)為0.8413，在α= 0.5時(shí)，Kappa度量分?jǐn)?shù)最高為0.8442，相較于不使用Kappa損失其分?jǐn)?shù)上升了0.0029分，提高了糖網(wǎng)病圖像的識(shí)別效果.但當(dāng)α繼續(xù)增加時(shí)，準(zhǔn)確率和Kappa分?jǐn)?shù)都會(huì)明顯下降，例如在α=0.75時(shí)模型的識(shí)別準(zhǔn)確率下降了1.68%.由此可知，在以Kappa相關(guān)性為主要度量時(shí)，使用合適比例的Kappa損失與交叉熵?fù)p失的混合損失函數(shù)能夠略微提高識(shí)別結(jié)果與真實(shí)值的一致性.

3.3 與檢測(cè)糖網(wǎng)病的其他算法比較

基于Kaggle提供的數(shù)據(jù)集，表5顯示了文獻(xiàn)[10]到文獻(xiàn)[13]中所使用算法的結(jié)果與本章所使用效果最好的模型Net3的比較結(jié)果.ZHOU等人參照Inception模塊設(shè)計(jì)了一種模塊化的Multi-Cell結(jié)構(gòu)，將其嵌入到特征提取的網(wǎng)絡(luò)中，并在網(wǎng)絡(luò)最后通過(guò)Mse和Softmax兩個(gè)通道分別計(jì)算損失并綜合結(jié)果再分類(lèi)，其輸入使用720×720像素的圖像，最后達(dá)到了0.8410的kappa分?jǐn)?shù)；CHEN修改了VGG-16的網(wǎng)絡(luò)的部分層參數(shù)，用Global Pooling替代了網(wǎng)絡(luò)最后的全連接層，達(dá)到了上述網(wǎng)絡(luò)最好的召回率和準(zhǔn)確率，但是Kappa分?jǐn)?shù)并不算優(yōu)秀；SHORAV等人使用了MobileNets網(wǎng)絡(luò)結(jié)構(gòu)對(duì)簡(jiǎn)單預(yù)處理的圖像進(jìn)行訓(xùn)練，雖然效果不佳，但是在移動(dòng)端上也能進(jìn)行圖像的分類(lèi)，對(duì)設(shè)備硬件要求較低；SABOORA使用Inception-V3模型結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，在使用2個(gè)Inception模塊的情形下能達(dá)到最好的效果.本文所使用的最優(yōu)模型具有最佳的特異度和Kappa分?jǐn)?shù).

表5 不同分類(lèi)算法在Kaggle數(shù)據(jù)集下的比較Tab.5 Comparison of different classification algorithms on Kaggle dataset

3.4 錯(cuò)分樣本分析

對(duì)模型的錯(cuò)分樣本進(jìn)行統(tǒng)計(jì)可以分析出模型的缺陷所在.表6為本文在DR圖像分類(lèi)中表現(xiàn)最好的模型——Net3在1000張測(cè)試圖像樣本中的劃分結(jié)果的分布情況：

由表可知，這1000張測(cè)試圖像的準(zhǔn)確率為79.0%；特異度為85.2%，表明漏診率為14.8%.在全部210張分類(lèi)錯(cuò)誤的圖像中，將1類(lèi)劃分為0類(lèi)占比最多為60.95%.猜測(cè)由于標(biāo)簽為1的DR圖像病灶往往僅包含1-3個(gè)微血管瘤，微血管瘤在3000×4000像素的原始圖像中像素為8×8左右，數(shù)據(jù)預(yù)處理時(shí)還會(huì)縮小原始圖像，增大觀測(cè)微血管瘤的難度.表中出現(xiàn)判斷與真實(shí)值相差最遠(yuǎn)的是2張將0類(lèi)劃分為4類(lèi)的圖像，如圖8所示.他們標(biāo)簽同為第0類(lèi)，并且在圖像上都出現(xiàn)了相機(jī)偽影.由于這些干擾的面積較大，分布較多，并且與黃色滲出物等病變特征相似，使模型誤以為這是病灶特征而進(jìn)行特征提取，導(dǎo)致圖像的錯(cuò)誤分類(lèi).相機(jī)偽影特征不盡相同網(wǎng)絡(luò)難以分辨，可能是導(dǎo)致模型21%錯(cuò)誤率的重要原因之一.

表6 測(cè)試圖像結(jié)果分布表(單位/對(duì))Tab.6 Test result distribution(unit/pair)

圖8 被錯(cuò)誤分類(lèi)為第4類(lèi)的0類(lèi)圖像Fig.8 Example of class 0 image misclassified as class 4

4 結(jié)語(yǔ)

本文基于糖網(wǎng)病患者左右眼的病程具有一定的相關(guān)性，構(gòu)建了一種雙輸入雙輸出的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)糖網(wǎng)病眼底圖像進(jìn)行病程的自動(dòng)分類(lèi)：以雙眼圖像作為網(wǎng)絡(luò)的輸入，分別提取左右眼各自的特征，并在高層網(wǎng)絡(luò)對(duì)雙眼的特征進(jìn)行融合，利用相關(guān)特征產(chǎn)生更豐富的判別信息，輸出層采用雙輸出的結(jié)構(gòu)分別實(shí)現(xiàn)左右眼的病程分類(lèi).考慮到糖網(wǎng)病的病程是一個(gè)漸進(jìn)的過(guò)程，本文定義了一種新的Kappa損失函數(shù)，將預(yù)測(cè)值與真實(shí)值的差距納入了模型的代價(jià)，識(shí)別結(jié)果與真實(shí)值相差越大將產(chǎn)生更大的懲罰.最后，通過(guò)對(duì)糖網(wǎng)病Kaggle數(shù)據(jù)集的測(cè)試，并與相關(guān)方法的比較，驗(yàn)證了本方法的有效性和優(yōu)越性.