聂永琦，曹 慧，杨 锋，刘 静

山东中医药大学 智能与信息工程学院，济南 250355

糖尿病视网膜病变（Diabetic Retinopathy，DR）是糖尿病引起的一种眼科疾病，也是造成视力损伤和失明的主要原因[1]。据相关研究表明，使用眼底成像技术、光学相干断层扫描技术（Optical Coherence Tomography，OCT）和荧光素造影（Fundus Fluorescein Angiography，FFA）进行有效的DR筛查和早期诊断可以显著降低患者出现视力下降或失明的概率[2-4]。然而随着DR筛查量的增加，在临床诊断方面出现以下问题[5]：（1）病灶在高分辨率视网膜图像中占比小，且部分病灶与视网膜组织相似，医生在诊断中极易出现漏诊、误诊等情况。（2）随着就诊人数的增多，繁重的阅片任务增加了医生的工作负担，导致医生阅片速度慢，无法给予患者及时的反馈，从而错过最佳治疗时机。（3）医疗资源分配不均，导致偏远地区的患者无法获得详细的治疗方案。因此，亟需开发有效的CAD系统，辅助临床医生提高DR筛查率和诊断准确率，从而降低患者出现失明的概率。

近年来，以深度学习方法为基础的CAD系统在肺癌、脑肿瘤以及DR等疾病检测中取得了显著成果[6-8]。深度学习通过由浅到深的多层次网络结构，从原始图像中学习低层特征，结合不同卷积核提取的中间层特征，形成逐渐抽象的高层语义特征，从而获得更高的病灶检测精度。DR在不同阶段会出现相应的病理特征，如微动脉瘤（MA）、出血（HE）、硬性渗出（EX）和软性渗出（SE）等，通过识别和定位眼底图像中不同病灶区域可及时对早期DR进行筛查。此外，随着大规模医学图像数据的开放和深度学习的发展，推动了一系列优秀深度学习算法的出现，尤其是卷积神经网络（Convolution Neural Network，CNN）[9]及其网络模型的相关算法改进。……