王宇光，李 峰

（1.上海理工大学机械工程学院；2.上海理工大学光电信息与计算机工程学院，上海 200093）

0 引言

糖尿病性视网膜病变（DR）是人类不可逆视力丧失的两大主要原因之一［1］。若糖尿病性视网膜病变没有得到及时治疗，发展到后期会使患者视力急剧下降，最终导致失明，严重影响正常生活［2］。研究表明，患糖尿病的时间越长，糖尿病性视网膜病变发生的几率越高。在发病早期，如若能及时发现和治疗，则可显著降低视力下降风险［3］。通常将拍摄的眼底图像作为最普遍、最直接的筛查方法，可较好检测出视网膜病变程度。但在目前筛查工作中，对于DR 的筛查高度依赖临床专家的手工筛查，这种筛查模式费时费力，且由于是主观分析，容易受外部环境影响而出现失误，难以进行大规模筛查工作。因此，开发一种能适应DR 图像分类的自动分级系统势在必行［4］。

研究证明一些深度学习算法可以用于医学图像检测任务［5］。对于DR，深度学习算法可用于生成专家级别的视网膜眼底图像分级诊断［6］，通过大规模的数据集训练达到较好效果［7］。然而，这些方法都以时间复杂度的增加为代价，特别是在输入图像尺寸较大的情况下，时间复杂度增加更为明显［8］。

针对训练时间复杂度增加问题，本文采用5 个分类模型的集成，每个模型都是基于改进的Inception-v4 架构。集成网络可以有效减少模型的训练时间。同时，对数据集中的图像进行预处理，包括筛选质量不佳的图片、去噪声、归一化等操作，提高分类模型中用于训练的图像质量，提高图像分类精度［9］。……