基于改进YOLOv3网络的超广角眼底图像视网膜病变智能诊断方法研究

廖国粮 王通 韩霖 庄艳 陈科 林江莉

摘要：视网膜病变是致盲的主要因素，如能早发现，众多致盲可以避免。该文以大病变视网膜脱离和小病变硬性渗出为例，进行超广角眼底图像视网膜病变智能诊断研究。该文通过改进YOLOv3构建了新型病变深度检测网络，并研究了数据扩增数量对模型的影响规律。研究结果表明，扩增4倍有助于提升性能，进一步扩增反而下降。实验训练集含1100张，验证集含219张，大、小病变的召回率分别提升到91.19%和67.90%，精确率分别提升到92.95%和77.46%。

关键词：超广角眼底图像；目标检测；YOLOv3；视网膜脱离；硬性渗出

中图分类号：TP311        文献标识码：A

文章编号：1009-3044（2022）27-0027-02

开放科学（资源服务）标识码（OSID）：

1 前言

我国是失明以及视障人群最多的国家，截至2019年，有超过800万人失明，有近5000万人有中度或重度视力受损。而视网膜疾病是致盲和视力损伤的主要原因之一，如能早发现早治疗，众多致盲病例可以避免。

现阶段最普及的眼底检查手段是彩色眼底照相，其只能照射约45°的眼底区域，当病变极其细微或发生在周边部，眼底照相几乎无能为力。 超广角眼底成像（UWF， Ultra-Widefield Fundus）可检查200°的视网膜区域，且无须散瞳，使之成为最理想的眼底疾病早期筛查方式。

尽管UWF有众多优势，但由于技术较新且对图像解读需要较高的专业性，目前未能普及。鉴于此，本文分别以一种典型的“大”病变，即视网膜脱离，和“小”病变，即硬性渗出为示范，研究超广角眼底成像视网膜病变的智能诊断方法。关于视网膜脱离和硬性渗出的目标检测国内外还未见报道。

2 数据与方法

2.1 数据集及标注

UWF数据来自四川大学华西医院眼科在2016-2020年采集的图像，采集设备为欧堡Optos Daytona（P200T）。数据来源符合医学伦理委员会要求及《赫尔辛基宣言》，所有图像经脱敏处理后纳入研究。数据集由多名四川大学华西医学院资深眼科医师遵循病变特征进行标注，标注后的数据分为训练集和测试集。训练集共有视网膜脱离800张（病变935处），硬性渗出300张（病变353处）。为保证本研究的科学性和可信度，测试集完全独立于训练集，是一批全新的样本，包括视网膜脱离病例147例（包含病变159处），硬性渗出72例，（包含病变81处）。

2.2 数据扩增

本文数据扩增按两类方案进行，方案A采用水平及竖直翻转两种刚性扩增方式，对病变特征无改变，同时采用随机亮度、对比度增强，将小部分图像随机增量或提高对比度，将数据集扩增为原始数量的4倍；方案B为在方案A的基础上对图像进行随机旋转、偏移、尺度变换，会对病变特征造成一定的改变，可将数据集进一步扩增为原始数量的8倍。

实验从800例视网膜脱离（大病变）病例中分别随机抽取50、100、200、400例图像以及全部800例图像用于模型训练，然后采用两类扩增方案，分别将数据集数量扩增至4倍或8倍，再次训练模型。300例硬性渗出（小病变）病例按50、100、200的数量随机抽取以及全部应用，并同样进行两类扩增和相应训练。

2.3 改进的YOLOv3网络

YOLOv3目标检测网络是性能最优异的目标检测网络之一，其原理、思想等都在之后的各种优秀目标检测网络中有所体现。为了使网络运行更快，精度更高，本研究将YOLOv3网络的特征提取网络DarkNet-53替换为了性能优异的EfficientNet-B2进行病變的定位和识别，同时调整YOLOv3的三个有效特征层数目，提升了训练速度的同时，大幅减少了网络的参数量，改进的YOLOv3如图1所示[1]。

3 实验结果与讨论

3.1模型训练

每一组独立实验首先加载EfficientNet-B2的预训练权重，冻结主干网络后训练25个批次，学习率0.01，Batch Size为32；解冻后训练75个批次，学习率0.001，Batch Size为8；学习率每两个批次即乘以0.9的衰减因子。对于识别结果，采用召回率Recall，精确度Precision，平均精确度AP进行评估[2]。

3.3实验结果

按照2.2所述的数据扩增方案，视网膜脱离（大病变）及硬性渗出（小病变的检测结果如表1，表2所示。

可见“大病变”和“小病变”均有如下规律：（1）原始数据量的增加能够有效地提升模型对病变的检测能力；（2）数据扩增对于病变检测模型十分有效，尤其在数据量较小时（低于200张）；（3）尽管数据扩增能够有效提升模型能力，但更多的原始图像能够使模型表现更佳；（4）越小的病变越需要更多的原始数据用于训练。

检测示例如图2所示。

4  结束语

本文针对超广角眼底成像，以视网膜脱离和硬性渗出为示范进行视网膜病变的智能诊断研究。研究基于YOLOv3目标检测网络进行改进，构建了新型病变检测网络，并在小样本情况下研究数据扩增数量对检测能力的影响规律。研究结果表明，合理的数据扩增有利于提升模型性能，但一味扩增不一定有效。在检测硬性渗出这一类范围很小、难以检出的病变时，模型最佳检出率可达到67.90%，精确率可达到77.46%，受限于原始数据量，无法做进一步的验证与调优，在后续研究中，我们将通过进一步采集和标注小病变图像，提升深度学习模型的检测性能。

参考文献：

[1] 杨富强，余波，赵嘉彬，等.基于改进YOLOv3的桥梁底部裂缝目标检测方法[J].中国科技论文，2022，17（3）：252-259.

[2] 张振华，陆金桂.基于改进卷积神经网络的混凝土桥梁裂缝检测[J].计算机仿真，2021，38（11）：490-494.

【通联编辑：闻翔军】