基于改進(jìn)的AG-CNN的視網(wǎng)膜OCT圖像的黃斑病變識(shí)別方法

董喜超，高志軍，董春游

(黑龍江科技大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，哈爾濱150022)

0 引 言

脈絡(luò)膜新生血管（CNV）、糖尿病性黃斑水腫（DME）和玻璃膜疣（DRUSEN）是常見的視網(wǎng)膜黃斑病變。其中，CNV出現(xiàn)的早期，無癥狀。隨著其逐漸擴(kuò)大、滲漏和破裂出血，可致視力減退、視物變形，出現(xiàn)黃斑中心或旁中心暗點(diǎn)，癥狀反復(fù)發(fā)作者，黃斑部受到嚴(yán)重破壞，可造成永久性視力障礙［1］；DME是導(dǎo)致糖尿病患者視力損害的常見原因，嚴(yán)重影響患者的視力功能和生活質(zhì)量［2］；DRUSEN患者會(huì)出現(xiàn)視力障礙，早期黃斑部多有玻璃膜疣侵犯，其視力尚可正常、有時(shí)有視物變形及中心視力下降［3］。視網(wǎng)膜光學(xué)相干斷層掃描（OCT）成像具有無接觸、無侵入和高分辨率成像特點(diǎn)，通過視網(wǎng)膜OCT圖像對眼部患者進(jìn)行自動(dòng)和準(zhǔn)確地識(shí)別是輔助眼科醫(yī)生診斷和分級黃斑病變的關(guān)鍵手段。然而在臨床診斷中，眼科醫(yī)生需要花費(fèi)較長時(shí)間在2維視網(wǎng)膜OCT圖像上手動(dòng)識(shí)別這些病變，然后對眼部患者做出診斷決定。顯然，這種人工分析對眼科醫(yī)生來說既費(fèi)時(shí)又費(fèi)力，也容易受眼科醫(yī)生主觀因素影響，對患者產(chǎn)生漏診或誤診現(xiàn)象。因此，為了有效地輔助眼科醫(yī)生篩查和診斷視網(wǎng)膜黃斑病變，眼病視網(wǎng)膜OCT圖像黃斑病變識(shí)別方法和分析技術(shù)成為近期學(xué)者們研究的熱點(diǎn)和重點(diǎn)。

2011年，Liu等人利用局部二值模式（LBP）特征，對視網(wǎng)膜OCT圖像的紋理信息和形狀信息進(jìn)行特征編碼，隨后結(jié)合支持向量機(jī)（SVM）實(shí)現(xiàn)了OCT圖像的自動(dòng)分類［4］；Srinivasan等人通過計(jì)算OCT圖像的多尺度方向梯度直方圖（HOG）特征，識(shí)別了正常視網(wǎng)膜、年齡相關(guān)性黃斑變性和黃斑水腫［5］。

由于全卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法能夠?qū)崿F(xiàn)端到端的自動(dòng)學(xué)習(xí)，已被廣泛有效地應(yīng)用于醫(yī)學(xué)圖像處理中。2017年，Lee應(yīng)用深度學(xué)習(xí)方法有效地對正常和年齡相關(guān)性黃斑變性O(shè)CT圖像進(jìn)行了二分類［6］；2017年，Rasti等人應(yīng)用多尺度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對黃斑病變OCT圖像的分類［7］；2018年，Rasti等人又引入了基于小波的CNN提取深部小波特征，利用隨機(jī)森林分類器對黃斑OCT圖像進(jìn)行了分類［8］；2018年，F(xiàn)auw等人采用U-Net結(jié)構(gòu)對視網(wǎng)膜OCT圖像進(jìn)行分割，將分割后的圖像用于視網(wǎng)膜病變的診斷［9］；此外，Karri等人提出了一種新的基于CNN的技術(shù)，可以用較少的訓(xùn)練OCT圖像來識(shí)別黃斑病變，同時(shí)仍然顯示出有效的結(jié)果［10］；2018年Kermany等人建立了一個(gè)基于深度學(xué)習(xí)框架（Image-Based Deep Learning，IDL）的診斷工具，用于篩查常見的和可致盲性的視網(wǎng)膜疾病的患者［11］。

現(xiàn)有的基于深度學(xué)習(xí)的視網(wǎng)膜OCT圖像病變分類或識(shí)別方法多采用全局圖像作為網(wǎng)絡(luò)學(xué)習(xí)的輸入，而眼部疾病有些發(fā)生在疾病特異性的（小）局部區(qū)域。應(yīng)用全局圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)可能會(huì)受到若干無關(guān)噪聲區(qū)域的影響，易導(dǎo)致錯(cuò)誤的識(shí)別或診斷。

本文針對上述問題，受眼科醫(yī)生閱讀視網(wǎng)膜OCT圖像時(shí)“先整體，再局部，最后再結(jié)合整體”的診斷思路啟發(fā)，即先整體觀察圖像中是否有疑似病理區(qū)域，然后再集中精力察看有病理可能的局部區(qū)域，最后在結(jié)合整張圖像觀察，確定病理結(jié)論。基于注意力引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)（AG-CNN）模型，在其全局分支、局部分支和融合分支基礎(chǔ)上，又引入了層分割分支，提出了一種改進(jìn)的AG-CNN的視網(wǎng)膜OCT圖像的黃斑病變識(shí)別方法，從疾病特定區(qū)域?qū)W習(xí)，以避免噪聲干擾，用全局分支和層分割分支來補(bǔ)償由局部分支丟失的鑒別線索，從而實(shí)現(xiàn)對CNV、DME和DRUSEN等常見的視網(wǎng)膜黃斑病變的自動(dòng)準(zhǔn)確識(shí)別。

1 方法

1.1 AG-CNN模型

2018年，Zhong等人提出了AG-CNN算法，其模型框架如圖1紅色框所示，展示了一個(gè)以ResNet-50網(wǎng)絡(luò)為主干的框架圖，AG-CNN由全局分支、局部分支和融合分支等3個(gè)分支組成。其中，全局分支和局部分支均分別由5個(gè)卷積塊組成，具有批處理規(guī)范化和激活函數(shù)ReLU，每一個(gè)都連接到一個(gè)最大池化層（Pool5）、一個(gè)完全連接（FC）層和一個(gè)激活函數(shù)ReLU。除此以外，局部分支的輸入是由全局分支生成的掩膜裁剪出的局部病變圖片，將這兩個(gè)分支連接到融合分支中，“BCE”表示二進(jìn)制交叉熵?fù)p失。輸入圖像將添加到熱圖中進(jìn)行可視化。

圖1 改進(jìn)的注意力引導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)的總體框架Fig.1 Overall framework of the improved AG-CNN

AG-CNN利用注意力引導(dǎo)的掩膜推理過程定位顯著區(qū)域，并學(xué)習(xí)判別特征進(jìn)行識(shí)別。與依賴于邊界框標(biāo)注的方法相比，該方法只需要圖像級的標(biāo)簽，而不需要任何額外的信息。

用5維向量L＝［l1，l2，…，lC］的多維標(biāo)簽標(biāo)記每個(gè)圖像，其中l(wèi)c∈｛0，1｝，表示是否有病理，即1代表存在，0代表缺席，C＝5，L的最后一個(gè)元素表示帶有“No Finding”的標(biāo)簽。

1.1.1 全局分支

全局OCT圖像作為全局分支的輸入，在全局分支中訓(xùn)練ResNet-50的變體被作為主干模型［12］。其由5個(gè)下采樣塊組成，接著是一個(gè)全局最大池化層和一個(gè)用于分類的5維全連接（FC）層。最后，通過增加一個(gè)激活函數(shù)ReLU層對FC層的輸出向量進(jìn)行非線性化和歸一化處理，式（1）:

式中，I表示全局圖像表示I屬于第c類的概率分?jǐn)?shù)；c∈｛1，2，…，C｝。最小化二進(jìn)制交叉熵（BCE）損失函數(shù)被用來優(yōu)化全局分支的參數(shù)Wg，式（2）:

式中:lc表示第c類的真實(shí)標(biāo)簽，C表示病理數(shù)量。

1.1.2 局部分支

局部分支具有與全局分支相同的卷積網(wǎng)絡(luò)結(jié)構(gòu)。但這2個(gè)分支不共享權(quán)重，因?yàn)槎哂胁煌挠猛?。被用來表示局部分支的概率得分，Wl表示局部分支的參數(shù)。其中，Ic是本地分支機(jī)構(gòu)的輸入圖像，執(zhí)行與全局分支相同的規(guī)范化和優(yōu)化。

1.1.3 融合分支

融合分支首先連接全局分支和局部分支，再由級聯(lián)層連接到5維FC層以進(jìn)行最終分類，概率得分為表示融合分支的參數(shù)，并用公式（2）對Wf進(jìn)行優(yōu)化。

注意力引導(dǎo)掩膜推理，一個(gè)二值掩膜被構(gòu)造用來定位全局圖像中用于識(shí)別的判別區(qū)域。通過對特征圖進(jìn)行閾值化操作而產(chǎn)生的，可以看作是一個(gè)注意力過程。該過程如下:給定一個(gè)全局圖像，讓表示最后一個(gè)卷積層輸出的第k個(gè)信道中空間位置（x，y）的激活，其中k∈｛1，…，K｝，K＝2048；g表示全局分支。 首先，在位置（x，y）取激活值的絕對值；其次，通過計(jì)算通道上的最大值生成注意力熱圖Hg，式（3）:

Hg中的值直接表示識(shí)別激活的重要性，觀察到圖像的識(shí)別區(qū)域（病變區(qū)域）被激活。熱圖可以通過計(jì)算通道尺寸上的不同統(tǒng)計(jì)值來構(gòu)建，如L1距離為

一個(gè)二進(jìn)制掩膜M被設(shè)計(jì)來定位具有大激活值的區(qū)域。若熱圖中某個(gè)空間位置（x，y）的值大于閾值τ，則掩模中相應(yīng)位置的值被賦值為1，否則為0，式（4）:或L2距離為

其中:τ表示控制參與區(qū)域大小的閾值。

τ越大，區(qū)域越小，反之亦然。利用掩膜M，一個(gè)覆蓋M中判別點(diǎn)的最大連通區(qū)域被畫出，最大連通區(qū)域表示為水平和垂直軸上的最小和最大坐標(biāo)［Xmin，Ymin，Xmax，Ymax］。最后，從輸入圖像I中裁剪出局部判別區(qū)域Ic，并將其調(diào)整到與I相同的大小。

1.2 改進(jìn)的AG-CNN的視網(wǎng)膜OCT圖像的黃斑病變識(shí)別模型

改進(jìn)的AG-CNN如圖1所示，由于CNV、DME和DRUSEN等常見的視網(wǎng)膜黃斑病變會(huì)導(dǎo)致患者視網(wǎng)膜層及其內(nèi)層部分區(qū)域發(fā)生形變和厚度變化，故在原AG-CNN（紅色框）的基礎(chǔ)上引入層分割分支（藍(lán)色框），并連接到融合分支，減少圖像噪聲對視網(wǎng)膜黃斑病變的錯(cuò)誤識(shí)別。

新引入的層分割分支采用RelayNet算法實(shí)現(xiàn)，ReLayNet使用卷積塊的收縮路徑來學(xué)習(xí)上下文特征的層次結(jié)構(gòu)，然后使用卷積塊的擴(kuò)展路徑來進(jìn)行圖像像素級的語義分割［13］。此外，引入將編碼器輸出中間到匹配解碼器輸入的跳過連接，以恢復(fù)在下采樣期間丟失的空間信息。將視網(wǎng)膜OCT圖像分割成7層，獲得各層厚度信息。

改進(jìn)的AG-CNN的視網(wǎng)膜OCT圖像病變識(shí)別算法:

步驟1輸入:輸入圖像I，標(biāo)簽向量L，閾值τ；

步驟2初始化:全局和局部分支權(quán)重；

步驟3用I學(xué)習(xí)Wg，計(jì)算用公式（2）進(jìn)行優(yōu)化；

步驟4計(jì)算掩膜M和邊界框坐標(biāo)［Xmin，Ymin，Xmax，Ymax］，從I中裁剪出Ic；

步驟5使用Ic學(xué)習(xí)Wl，計(jì)算通過公式（2）進(jìn)行優(yōu)化；

步驟6集中poolg和pooll學(xué)習(xí)Wf，計(jì)算I，Ic｜），通過公式（2）進(jìn)行優(yōu)化；

步驟7輸出:輸出概率得分

2 實(shí)驗(yàn)及結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)集、設(shè)置、訓(xùn)練過程和評價(jià)指標(biāo)

2.1.1 實(shí)驗(yàn)數(shù)據(jù)集

完整的ImageNet數(shù)據(jù)集有1 400多萬幅圖片，涵蓋20 000多個(gè)類別標(biāo)注與超過百萬的邊界的框標(biāo)注，每個(gè)類別有500到1 000幅圖片。

UCSD數(shù)據(jù)集由84 484幅OCT B掃描組成。其中有8 866幅患有DRUSEN，37 455幅患有CNV，11 598幅患有DME和26 565幅正常的OCT圖像。本文用250幅正常的、250幅患有DRUSEN、250幅患有CNV和250幅患有DME的OCT圖像作為測試集。

2.1.2 實(shí)驗(yàn)設(shè)置

本文采用pytorch框架來實(shí)現(xiàn)改進(jìn)的AG-CNN算法，并在GTX1050Ti GPU上進(jìn)行訓(xùn)練和驗(yàn)證。在動(dòng)量為0.9的情況下，采用隨機(jī)梯度下降進(jìn)行訓(xùn)練，初始學(xué)習(xí)率設(shè)置為0.01，初始學(xué)習(xí)率隨指數(shù)衰減而降低，冪次為0.9，深度模型訓(xùn)練時(shí)間為26 h。

2.1.3 訓(xùn)練過程

第一階段，利用ImageNet預(yù)訓(xùn)練的全局分支網(wǎng)絡(luò)進(jìn)行微調(diào)由公式（1）歸一化；

第二階段，當(dāng)用閾值τ進(jìn)行掩模推理得到局部圖像后，將其送入局部分支進(jìn)行微調(diào)也可通過公式（1）歸一化，微調(diào)局部分支時(shí)全局分支中的權(quán)重是固定的；

第三階段，分別讓Poolg和Pooll代表全局分支和局部分支的Pool5層輸出，將其串聯(lián)起來進(jìn)行最后的微調(diào)，并用公式（1）將概率分?jǐn)?shù)歸一化，同樣當(dāng)微調(diào)融合分支的權(quán)值時(shí)，前2個(gè)分支的權(quán)重是固定的。

2.1.4 評估指標(biāo)

本文采用準(zhǔn)確度（ACC）、靈敏度（SE）、精確度（PR）、特異性（SP）和混淆矩陣等評估指標(biāo)評估算法的識(shí)別性能，每一個(gè)都是針對獨(dú)立類計(jì)算的。對于獨(dú)立類的靈敏度是預(yù)測精度，而對于每個(gè)類別標(biāo)簽，其特異度的定義是相同的，其中負(fù)樣本是不在考慮類別中的樣本。由于樣本在不同類別之間的不平衡，總體靈敏度（OS）、總體精度（OP）和總體準(zhǔn)確度（OA）等評估指標(biāo)也被計(jì)算用于評估算法的識(shí)別性能，式（5）～式（8）:

式中:nTP——將正樣本識(shí)別為正樣本數(shù)；

nTN——將負(fù)樣本識(shí)別為負(fù)樣本數(shù)；

nFP——將負(fù)樣本識(shí)別為正樣本數(shù)；

nFN——將正樣本識(shí)別為負(fù)樣本數(shù)。

2.2 實(shí)驗(yàn)結(jié)果

VGG16和IDL 2種方法與本文方法在UCSD數(shù)據(jù)集上的定量評估結(jié)果見表1。首先，在最后3列的OS、OP和OA等3個(gè)總體量化評估指標(biāo)上，改進(jìn)AG-CNN分別為97%、97%和98.5%，比IDL分別略高0.9%、0.9%和0.4%，比VGG16顯著性提高20.9%、20.8%和7.1%；其次，具體比較其中較好的識(shí)別方法IDL，在正常類別中，準(zhǔn)確率提高0.3%、靈敏度提高0.7%、精確度提高0.4%和特異性提高0.2%；在DME類別中，準(zhǔn)確率提高0.5%、靈敏度提高0.9%、精確度提高1.2%和特異性提高0.4%；在DRUSEN類別中，準(zhǔn)確率提高0.5%、靈敏度提高0.9%、精確度提高0.2%和特異性提高0.4%；在CNV類別中，準(zhǔn)確率提高0.5%、靈敏度提高1.1%、精確度提高0.8%和特異性提高0.3%。綜上，本文方法在UCSD數(shù)據(jù)集上的識(shí)別評估指標(biāo)均有較高的提升，表明文中的改進(jìn)算法在視網(wǎng)膜OCT黃斑病變識(shí)別上有更好的識(shí)別性能。

表1 3種方法識(shí)別結(jié)果(百分?jǐn)?shù))Tab.1 The identification results with three methods(percentages)

為了研究有無訓(xùn)練過程對第一階段實(shí)驗(yàn)結(jié)果的影響，本文進(jìn)行了對比實(shí)驗(yàn)來驗(yàn)證訓(xùn)練過程第一階段的性能表現(xiàn)，見表2。比較實(shí)驗(yàn)評估結(jié)果，在最后3列的OS、OP和OA等總體量化評估指標(biāo)上，有訓(xùn)練過程第一階段實(shí)驗(yàn)結(jié)果分別為97.0%、97.0%和98.5%，比無訓(xùn)練過程第一階段實(shí)驗(yàn)結(jié)果分別提高2.9%、2.9%和1.5%。具體來說，在正常類別中，準(zhǔn)確率、靈敏度、精確度和特異性分別提高1.6%、3.1%、2.8%和1.0%；在DME類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.3%、1.8%、3.8%、1.4%；在DRUSEN類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高2.1%、4.5%、3.6%、1.2%；在CNV類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.1%、2.3%、2.0%、0.7%。綜上，表明訓(xùn)練過程第一階段對OCT圖像識(shí)別效果提升起到顯著性作用。

表2 有無訓(xùn)練過程第一階段實(shí)驗(yàn)對比結(jié)果(百分?jǐn)?shù))Tab.2 Comparative results of the first stage experiment with and without training process(percentages)

VGG16、IDL和文中方法識(shí)別結(jié)果的混淆矩陣如圖2所示。對角線（藍(lán)色）是正確識(shí)別的個(gè)數(shù)，非對角線為錯(cuò)分到相應(yīng)類別的個(gè)數(shù)。相比較而言，在正常人眼上，本文方法的正確識(shí)別的個(gè)數(shù)為247，比VGG16和IDL分別多39個(gè)和1個(gè)；在DME上，本文方法的正確識(shí)別的個(gè)數(shù)為240，比VGG16和IDL分別多54個(gè)和3個(gè)；在DRUSEN上，本文方法的正確識(shí)別的個(gè)數(shù)為239，比VGG16和IDL分別多103個(gè)和3個(gè)；在CNV上，本文方法的正確識(shí)別的個(gè)數(shù)為244，比VGG16和IDL分別多14個(gè)和2個(gè)。可見本文方法在該OCT圖像驗(yàn)證集上每類的正確識(shí)別均有所提升，具有更佳的識(shí)別效果。

圖2 不同方法的混淆矩陣Fig.2 Confusion matrix of different methods

為了研究每個(gè)分支對實(shí)驗(yàn)結(jié)果的影響，本文進(jìn)行了消融實(shí)驗(yàn)來驗(yàn)證全局分支、局部分支和文中新引入的層分割分支的性能表現(xiàn)，見表3?；€1只有全局分支，基線2有全局分支、局部分支和融合分支，改進(jìn)AG-CNN包含所有4個(gè)分支。比較基線1和基線2的結(jié)果，在最后3列的OS、OP和OA等總體量化評估指標(biāo)上，基線2實(shí)驗(yàn)結(jié)果分別為96.0%、96.2%和97.6%，比基線1實(shí)驗(yàn)結(jié)果分別提高0.8%、1.1%和1.3%；在正常類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.2%、1.1%、0.8%、0.6%；在DME類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.6%、1.9%、1.0%、0.7%；在DRUSEN類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.3%、1.0%、0.4%、0.7%；在CNV類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.2%、1.0%、2.4%、1.8%。綜上說明局部分支對OCT圖像識(shí)別效果提升有顯著性作用。比較基線2和改進(jìn)AG-CNN的結(jié)果，在最后3列的OS、OP和OA等總體量化評估指標(biāo)上，改進(jìn)AGCNN實(shí)驗(yàn)結(jié)果分別為97.0%、97.0%和98.5%，比基線2實(shí)驗(yàn)結(jié)果分別提高1.0%、0.8%和0.9%；在正常類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高0.3%、0.3%、0.8%、0.4%；在DME類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.1%、1.6%、0.8%、0.4%；在DRUSEN類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.0%、1.1%、0.6%、0.2%；在CNV類別中，準(zhǔn)確率、靈敏度、精確度和特異性提高1.1%、1.3%、1.0%、0.4%。綜上表明層分割分支對OCT圖像識(shí)別提升有進(jìn)一步的的作用。綜上所述，全局分支、局部分支和層分割分支對提升OCT圖像識(shí)別力均具有顯著的作用。

表3 消融實(shí)驗(yàn)結(jié)果(百分?jǐn)?shù))Tab.3 Ablation results(percentages)

VGG16、IDL和文中方法在正常的、DRUSEN、CNV和DME的測試集上的ROC曲線如圖3所示。在所有類別里，文中方法（紅色線）在VGG16（藍(lán)色點(diǎn)虛線）和IDL（綠色虛線）上，圍成的面積AUC更大，表明文中方法比VGG16和IDL在視網(wǎng)膜OCT圖像識(shí)別力更強(qiáng)，和算法的識(shí)別性能更優(yōu)。其中，本文方法在與較好的IDL方法相比，在正常類別中AUC提高5.1%，在糖尿病性黃斑水腫類別中AUC提高4.6%，在玻璃膜疣類別中AUC提高5.8%，在脈絡(luò)膜新生血管類別中AUC提高3.4%。

圖3 各類別的ROC曲線Fig.3 ROC curve of each category

盡管本文方法在公開數(shù)據(jù)集上的大部分B掃描圖像上取得了比較令人滿意的識(shí)別結(jié)果，但是對于一些B掃描圖像，由于原OCT圖像模糊或病變特征不顯著，存在一些錯(cuò)誤識(shí)別樣本，如圖4所示。圖4（a）為將正常樣本錯(cuò)分為DRUSEN病變樣本；圖4（b）為將DME病變樣本錯(cuò)分為正常樣本；圖4（c）為DRUSEN病變樣本錯(cuò)分為正常樣本；圖4（d）為CNV病變樣本錯(cuò)分為DRUSEN病變樣本。

圖4 識(shí)別錯(cuò)誤部分樣本Fig.4 Partial sample of identification error

3 結(jié)束語

為了避免全局圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)可能會(huì)受到若干無關(guān)噪聲區(qū)域的影響，易導(dǎo)致錯(cuò)誤的識(shí)別或診斷等問題，本文提出了一個(gè)注意力引導(dǎo)的4分支卷積神經(jīng)網(wǎng)絡(luò)方法，用于眼部黃斑疾病的識(shí)別。該網(wǎng)絡(luò)通過考慮全局分支、局部分支、層分割分支中的全局、局部和各層厚度信息進(jìn)行訓(xùn)練，與以往單純依賴全局信息的方法不同，利用注意力熱圖對重要區(qū)域進(jìn)行掩膜，用于訓(xùn)練局部分支。實(shí)驗(yàn)結(jié)果表明，本文提出的方法在視網(wǎng)膜OCT圖像數(shù)據(jù)集上對于識(shí)別準(zhǔn)確度和識(shí)別性能的提升具有顯著的作用。當(dāng)然，識(shí)別性能還需要進(jìn)一步提高，今后可將病變分割分支引入到本文模型，提高識(shí)別的準(zhǔn)確率和識(shí)別性能。