張榮芬，宋 鑫，蔡乾宏，劉宇紅

(貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng) 550025)

隨著信息技術(shù)和經(jīng)濟(jì)的快速發(fā)展，人們的生活水平越來越高，生活方式也發(fā)生了很大的變化。近年來，電子產(chǎn)品已經(jīng)成為現(xiàn)代人生活中不可分割的一部分，通過手機(jī)可以點(diǎn)外賣、打車、看電視，通過平板電腦可以進(jìn)行線上學(xué)習(xí)，通過筆記本電腦可以線上辦公，可以說人們每天都會(huì)花大量時(shí)間來與電子產(chǎn)品打交道。但是這種長(zhǎng)時(shí)間與手機(jī)電腦做伴的現(xiàn)代生活方式，導(dǎo)致長(zhǎng)期運(yùn)動(dòng)量不足，加之高糖分、高熱量的飲食習(xí)慣，導(dǎo)致糖尿病患病率逐年上升。糖尿病會(huì)引起多種并發(fā)癥，糖尿病視網(wǎng)膜病變(diabetic retinopathy, DR)又稱糖網(wǎng)病即為其中之一。它是糖尿病常見的微血管并發(fā)癥，是指由糖尿病導(dǎo)致視網(wǎng)膜微血管損害所引起的一系列病變，嚴(yán)重會(huì)造成人視力低下及失明[1-2]。一個(gè)人患糖尿病時(shí)間越長(zhǎng)，引發(fā)糖網(wǎng)病的幾率就越大。研究發(fā)現(xiàn)，提前發(fā)現(xiàn)和早期預(yù)防是防止糖尿病視網(wǎng)膜病變?cè)斐梢暳φ系K和失明的主要方法[3]。

糖網(wǎng)病患者視網(wǎng)膜上的病變包括視網(wǎng)膜出血、滲出物、糖尿病性黃斑水腫、棉絮斑、靜脈或動(dòng)脈病變等[4]。一般根據(jù)病變特征的大小、位置、類型等進(jìn)行糖網(wǎng)病病變等級(jí)的劃分，按其嚴(yán)重程度劃分為正常、輕度、中度、重度和增殖型糖網(wǎng)病[5]。輕度糖網(wǎng)病僅能在眼底圖像上觀察到微血管瘤，中度糖網(wǎng)病患者的眼底圖像上會(huì)觀察到滲出和輕微出血。到了重度糖網(wǎng)病時(shí)期，視網(wǎng)膜上出現(xiàn)棉絮斑，微血管瘤增多，不久之后就會(huì)發(fā)展為增殖型糖網(wǎng)病，導(dǎo)致弱視及失明。目前，臨床的糖網(wǎng)病篩查主要是依靠有經(jīng)驗(yàn)的眼科專家對(duì)病變圖像進(jìn)行人工篩查，其檢測(cè)流程復(fù)雜，對(duì)醫(yī)生臨床經(jīng)驗(yàn)和專業(yè)素養(yǎng)要求較高。我國(guó)糖尿病患者群體龐大，給有限的醫(yī)療資源帶來極大的壓力。若能在早期對(duì)眼底圖像進(jìn)行自動(dòng)化分析與病變分級(jí)檢測(cè)，則可以為患者節(jié)省大量的時(shí)間，還可以減輕醫(yī)療體系的負(fù)擔(dān)，具有重大的研究意義。

近年來，隨著機(jī)器學(xué)習(xí)[6]及深度學(xué)習(xí)在醫(yī)療圖像分類任務(wù)中取得顯著成果，基于深度學(xué)習(xí)方法的糖尿病視網(wǎng)膜病變檢測(cè)方法被不同學(xué)者相繼提出。主流方法有兩類：第一類是使用局部病變特征(如微動(dòng)脈瘤、出血等)的位置信息來確定糖網(wǎng)病的等級(jí)。例如PRATT等[7]搭建了具有數(shù)據(jù)增強(qiáng)功能的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)網(wǎng)絡(luò)結(jié)構(gòu)，能夠在分類過程中識(shí)別微動(dòng)脈瘤、滲出液及出血等復(fù)雜病變特征，從而實(shí)現(xiàn)自動(dòng)診斷分類。VAN GRINSVEN等[8]通過動(dòng)態(tài)選擇錯(cuò)誤分類的陰性樣本進(jìn)行出血檢測(cè)，加快了模型訓(xùn)練的速度。DAI等[9]利用文本報(bào)告和彩色眼底圖像的專業(yè)知識(shí)，提出了一種用于微動(dòng)脈瘤檢測(cè)的多模式框架。YANG等[10]使用微動(dòng)脈瘤出血和滲出液的位置信息，設(shè)計(jì)了一個(gè)兩階段病變檢測(cè)與分類框架。LIN等[11]提出了一種先提取病變特征信息，然后將提取的特征信息與原始圖像融合的DR分級(jí)網(wǎng)絡(luò)。第二類則是基于全局圖像的監(jiān)督訓(xùn)練分類模型來對(duì)DR進(jìn)行分級(jí)。GULSHAN等[12]提出了使用Inception-V3網(wǎng)絡(luò)對(duì)DR進(jìn)行分級(jí)。BRAVO等[13]使用了VGG16和Inception-V4預(yù)訓(xùn)練模型，并對(duì)糖網(wǎng)病分類。GARGEYA等[14]設(shè)計(jì)了基于CNN的DR嚴(yán)重性檢測(cè)模型。WANG等[15]使用注意力機(jī)制著重關(guān)注可疑區(qū)域，并根據(jù)整幅圖像以及可疑的病變斑塊準(zhǔn)確預(yù)測(cè)疾病等級(jí)。連先峰等[16]提出一種基于多特征融合的深度學(xué)習(xí)視網(wǎng)膜病變圖像識(shí)別方法，增強(qiáng)模型的特征提取能力。總的來說，基于局部病變特征的深度學(xué)習(xí)分類方法需要提取眼底圖像中的病變特征，能為DR分級(jí)提供合理的依據(jù)。而全局圖像的深度學(xué)習(xí)分類方法省去了復(fù)雜的特征提取步驟，使得模型的泛化能力更強(qiáng)，分類效果更好。

本文提出了一種新穎的DR五分類SERA-Net模型。該模型通過將ResNeXt-50、SE-Net和Attention-Net結(jié)合，實(shí)現(xiàn)了空間注意力機(jī)制和通道注意力機(jī)制的相互促進(jìn)，使網(wǎng)絡(luò)更加關(guān)注眼底圖像的病變特征而忽略背景噪音，分級(jí)結(jié)果更準(zhǔn)確。

1 病變分類的網(wǎng)絡(luò)模型設(shè)計(jì)

1.1 整體結(jié)構(gòu)設(shè)計(jì)

本文DR病變檢測(cè)的五分類SERA-Net模型選用SE-ResNeXt-50為主干網(wǎng)絡(luò)。SERA-Net模型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

SE-ResNeXt-50結(jié)構(gòu)是在每個(gè)殘差ResNeXt單元都結(jié)合了SE-Net模塊的一種結(jié)構(gòu)。對(duì)輸入眼底圖像預(yù)處理，用SE-ResNeXt-50結(jié)構(gòu)提取圖像的特征得到特征圖F，之后將特征圖F輸入到Attention-Net模塊中生成注意力圖A。接著將特征圖F和注意力圖A逐元素相乘得到掩膜M，將注意力圖A和掩膜M分別進(jìn)行全局平均池化(global average pooling, GPA)操作，并將池化結(jié)果進(jìn)行逐元素相除。最后逐元素相除的結(jié)果通過Softmax層輸出分類的結(jié)果。整個(gè)模型可以用公式表示為

O=softmax(gap(Ai)÷gap(Ai?Fi))

(1)

式中：O為輸出的分類結(jié)果；Ai和Fi分別為第i個(gè)注意力圖和第i個(gè)特征圖；?和÷分別為逐元素乘法和逐元素除法。

1.2 ResNeXt

當(dāng)網(wǎng)絡(luò)深度逐漸增加時(shí)，分類結(jié)果的準(zhǔn)確率會(huì)隨之提升；但是當(dāng)網(wǎng)絡(luò)深度達(dá)到一定的程度，網(wǎng)絡(luò)深度的繼續(xù)增加可能會(huì)導(dǎo)致在反向傳播過程中出現(xiàn)梯度消失與梯度爆炸等問題，引發(fā)準(zhǔn)確率的下降。這種問題稱為網(wǎng)絡(luò)的退化。為了解決網(wǎng)絡(luò)退化的問題，何凱明等在2015年提出了ResNet[17]的網(wǎng)絡(luò)結(jié)構(gòu)。ResNet引入了恒等映射的思想，將淺層的特征與更深層的特征進(jìn)行特征融合，可以有效解決網(wǎng)絡(luò)退化等問題。

多分支聚合轉(zhuǎn)換殘差網(wǎng)絡(luò)ResNeXt[18]與ResNet結(jié)構(gòu)相似，使用了ResNet最經(jīng)典的恒等映射結(jié)構(gòu)，并且以可擴(kuò)展的方式使用了split-transform-merge策略，可在不增加參數(shù)的情況下提升模型準(zhǔn)確率。ResNeXt結(jié)構(gòu)如圖2所示。

圖2 ResNeXt結(jié)構(gòu)Fig.2 The sructure of ResNeXt

首先，將輸入特征分為32個(gè)分支，每個(gè)分支先經(jīng)過一個(gè)1×1的卷積層來使特征圖通道數(shù)變?yōu)?；其次，每個(gè)分支都通過一個(gè)3×3的卷積，再通過一個(gè)1×1的卷積層來使特征圖通道數(shù)變回原來的256；再次，將這32個(gè)分支的特征圖進(jìn)行融合，并用恒等映射將輸入特征與融合之后的輸出特征進(jìn)行進(jìn)一步融合，融合的結(jié)果作為最后的輸出。

1.3 SE-Net

SE-Net(Squeeze-and-Excitation Networks)是由HU等[19]在2018年首次提出。它不是一個(gè)單獨(dú)完整的神經(jīng)網(wǎng)絡(luò)模型，而是一種插入式的模塊，可以方便地與各個(gè)基礎(chǔ)網(wǎng)絡(luò)相結(jié)合。SE-Net模塊結(jié)構(gòu)如圖3所示。

圖3 SE-Net結(jié)構(gòu)Fig.3 The structure of SE-Net

SE-Net模塊主要包含Squeeze、Excitation和融合3個(gè)操作。Squeeze利用全局池化操作，將大小為W×H×C(W、H和C分別表示寬度、高度和通道)的特征壓縮為1×1×C的特征向量。Excitation包含2個(gè)全連接層、1個(gè)ReLU激活函數(shù)和1個(gè)Sigmoid激活函數(shù)。Squeeze操作得到的特征向量通過該網(wǎng)絡(luò)結(jié)構(gòu)后，得到每個(gè)通道的權(quán)重。融合操作將經(jīng)過Excitation操作的權(quán)重與沒有經(jīng)過Squeeze和Excitation操作的輸入特征圖進(jìn)行逐通道相乘，得到最后的輸出。對(duì)于輸入為W×H×C的輸入特征圖，經(jīng)過3個(gè)操作之后依舊得到W×H×C的輸出。

另外，SE-Net引入了注意力的思想，構(gòu)造了特征通道之間的依賴關(guān)系，可以重視我們關(guān)注的有用特征信息而忽略無用的背景噪音。

1.4 SE-ResNeXt

為了使糖尿病視網(wǎng)膜病變分級(jí)結(jié)果更準(zhǔn)確，本文將ResNeXt結(jié)構(gòu)與SE-Net結(jié)構(gòu)相結(jié)合，對(duì)其進(jìn)行改進(jìn)得到SE-ResNeXt。SE-ResNeXt結(jié)構(gòu)如圖4所示。

圖4 SE-ResNeXt結(jié)構(gòu)Fig.4 The structure of SE-ResNeXt

本文整體網(wǎng)絡(luò)主干結(jié)構(gòu)SE-ResNeXt-50采用了文獻(xiàn)[18]中的ResNeXt-50網(wǎng)絡(luò)，在每個(gè)基本ResNeXt單元都加入了SE-Net模塊。SE-ResNeXt-50網(wǎng)絡(luò)結(jié)構(gòu)由16個(gè)基本模塊組成，其與原始ResNeXt-50的對(duì)比見表1。

表1 ResNeXt-50和SE-ResNeXt-50結(jié)構(gòu)Tab.1 The structure of ResNeXt-50 and SE-ResNeXt-50

1.5 Attention-Net

由于眼底視網(wǎng)膜圖像結(jié)構(gòu)復(fù)雜，包括黃斑、正常的血管等結(jié)構(gòu)，因此，細(xì)粒度對(duì)眼底圖像的病變特征提取非常重要。本文引入了注意力模塊，讓網(wǎng)絡(luò)在關(guān)注有用特征信息的同時(shí)忽略無用的背景噪音信息，從而提高結(jié)果的準(zhǔn)確性。

本文的注意力模塊如圖5所示。輸入圖片先經(jīng)過1個(gè)Batch Norm層正則化，再經(jīng)過5個(gè)大小為1×1的卷積層輸出，其中前4個(gè)1×1卷積層后面連接1個(gè)ReLU激活函數(shù)。通過Attention-Net和SE-Net的融合，實(shí)現(xiàn)了空間注意力和通道注意力的相互促進(jìn)，將網(wǎng)絡(luò)訓(xùn)練的重點(diǎn)集中在眼底圖像的病變區(qū)域，可以更好地學(xué)習(xí)DR的病變特征，從而提升網(wǎng)絡(luò)的分類性能。

圖5 Attention-Net模塊Fig.5 The module of attention-Net

2 設(shè)計(jì)損失函數(shù)

將上述網(wǎng)絡(luò)模型提取出的特征圖輸入Softmax函數(shù)，數(shù)據(jù)被分為5類。由于DR數(shù)據(jù)集間分布極其不平衡(表2)，沒有病的眼底圖像要遠(yuǎn)多于患有糖尿病視網(wǎng)膜病變的眼底圖像，因此，以往的損失函數(shù)如交叉熵?fù)p失函數(shù)不能區(qū)分類別之間的距離，而各個(gè)樣本的權(quán)重是一樣的，這使得DR圖像分級(jí)結(jié)果不理想。

表2 EyePACE數(shù)據(jù)集病變分布Tab.2 The distribution of DR in EyePACE dataset

為了緩解數(shù)據(jù)失衡問題以及減少精度損失，本文選用分級(jí)損失函數(shù)[20]，這是一種為softmax函數(shù)增加權(quán)重的損失函數(shù)設(shè)計(jì)方法。分級(jí)損失函數(shù)公式如下：

LDR=weighty(-log(Lsoftmax))

(2)

(3)

(4)

(5)

式中：LDR為DR分級(jí)的損失函數(shù)；weighty通過除以S對(duì)權(quán)重進(jìn)行歸一化；Lsoftmax為經(jīng)過Softmax層之后的損失函數(shù)；S為所有類別中樣本的總和；x為訓(xùn)練樣本的類別；y為預(yù)測(cè)值(y∈[0,C-1])；N為類別數(shù)量。分級(jí)損失函數(shù)通過預(yù)測(cè)x和y之間的最大差值來計(jì)算類別之間的距離。在DR分級(jí)任務(wù)中，病變等級(jí)分為0～4這5個(gè)等級(jí)，采用上述增加權(quán)重的分級(jí)損失函數(shù)時(shí)，將第0級(jí)錯(cuò)誤地歸類為第4級(jí)會(huì)比歸類為第1級(jí)付出更大的代價(jià)(錯(cuò)誤權(quán)重分別為5/15和1/15)。

3 數(shù)據(jù)集與圖像預(yù)處理

3.1 數(shù)據(jù)集

本文使用的EyePACE數(shù)據(jù)集來自Kaggle中的“糖尿病視網(wǎng)膜病變檢測(cè)競(jìng)賽”，https://www.kaggle.com/c/diabeticretinopathy-detection。該數(shù)據(jù)集包含了2組數(shù)量非常多且在不同成像條件下拍攝的高分辨率視網(wǎng)膜眼底圖像。其中，有35 126張公開評(píng)級(jí)的訓(xùn)練眼底圖像和53 576張未公開評(píng)級(jí)的測(cè)試圖片，并且數(shù)據(jù)集中每一張右眼圖像都有一張相對(duì)應(yīng)的左眼圖像；這些圖像尺寸從289×433像素到3 456×5 184像素；每一張眼底圖像都給出了病變等級(jí)標(biāo)簽，其標(biāo)簽值為{0，1，2，3，4}，病變嚴(yán)重程度從0(正常)到4(增殖性DR)依次加重。EyePACE數(shù)據(jù)集訓(xùn)練集的數(shù)據(jù)分布情況見表2。從表2可以看出，EyePACE數(shù)據(jù)集的確高度不平衡，其中大多數(shù)圖像都屬于第一類(無DR)。

本文的訓(xùn)練、驗(yàn)證和測(cè)試使用EyePACE公開的35 126張圖像數(shù)據(jù)集，包含0級(jí)圖片25 810張，1級(jí)圖片2 443張，2級(jí)圖片5 292張，3級(jí)圖片873張，4級(jí)圖片708張。圖像數(shù)據(jù)集按照3 ∶1 ∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中測(cè)試集不參與訓(xùn)練。每張圖片根據(jù)糖網(wǎng)病的嚴(yán)重程度標(biāo)記為{0,1,2,3,4}5個(gè)等級(jí)，如圖6所示。

圖6 糖尿病視網(wǎng)膜病變的5個(gè)等級(jí)Fig.6 The five levels of DR

3.2 圖像預(yù)處理

在糖尿病視網(wǎng)膜圖片的采集過程中，由于成像環(huán)境、圖片采集設(shè)備以及操作人員的技術(shù)差距等客觀因素的影響，獲取到的眼底圖像在亮度、對(duì)比度以及分辨率大小上會(huì)有較大的差距。因此，在將彩色眼底圖像輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，應(yīng)該先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作。

EyePACE數(shù)據(jù)集圖像分辨率不一樣，先裁剪原始圖片周圍的黑色邊框來縮小圖片寬度，將圖片分辨率調(diào)整為512×512；然后對(duì)所有圖片進(jìn)行減去均值后除以標(biāo)準(zhǔn)差的操作，實(shí)現(xiàn)RGB三個(gè)通道上的標(biāo)準(zhǔn)化；最后使用CLAHE[21]增強(qiáng)病理特征與背景之間的對(duì)比度。如圖7所示，(a)是分辨率為1 520×960的原始眼底圖像，(b)為裁剪掉黑色邊框后尺寸為512×512的圖像，(c)為標(biāo)準(zhǔn)化后的眼底圖像，(d)為經(jīng)過CLAHE操作后的眼底圖像。由圖7可見，經(jīng)過預(yù)處理之后的眼底圖像，病變特征更為明顯。

圖7 圖像預(yù)處理Fig.7 Image preprocessing

同時(shí)，為了防止有限訓(xùn)練數(shù)據(jù)帶來的過擬合，還需對(duì)實(shí)驗(yàn)中每個(gè)epoch的所有訓(xùn)練圖片進(jìn)行水平翻轉(zhuǎn)、隨機(jī)裁剪，加入隨機(jī)高斯噪聲等即時(shí)數(shù)據(jù)增強(qiáng)，提升深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

本文采用與Kaggle糖尿病視網(wǎng)膜檢測(cè)競(jìng)賽相同的二次加權(quán)Kappa[22](quadratic weighted Kappa)分?jǐn)?shù)作為DR分級(jí)的主要評(píng)價(jià)指標(biāo)。為評(píng)價(jià)其相關(guān)性，進(jìn)一步使用歸一化混淆矩陣和對(duì)角線的平均值，即分類準(zhǔn)確度的平均值(average of classification accuracy, ACA)作為評(píng)價(jià)指標(biāo)。本文繪制了受試者工作特征(receiver operating characteristic, ROC)曲線，計(jì)算了ROC曲線下的面積(area under curve, AUC)，分別用來評(píng)判分類器成功區(qū)分不同病患類別的能力和分類器的可分離性。

4.2 實(shí)驗(yàn)的環(huán)境及參數(shù)設(shè)置

本文實(shí)驗(yàn)使用Linux操作系統(tǒng)，系統(tǒng)版本為Ubuntu 16.04.4，CPU使用Intel-core i9-9900k，GPU使用Nvidia GTX1080*2，內(nèi)存大小為64 GB，Disk大小為8 TB。訓(xùn)練時(shí)使用隨機(jī)梯度下降法(stochastic gradient descent, SGD)，設(shè)置batch-size為32，初始學(xué)習(xí)率為0.01。模型權(quán)重采用正太分布隨機(jī)初始化，并使用驗(yàn)證集的二次加權(quán)Kappa分?jǐn)?shù)來檢測(cè)網(wǎng)絡(luò)的實(shí)時(shí)性能。

4.3 實(shí)驗(yàn)結(jié)果

網(wǎng)絡(luò)訓(xùn)練時(shí)，在訓(xùn)練集和驗(yàn)證集上得到的二次加權(quán)Kappa分?jǐn)?shù)，如圖8所示。圖中藍(lán)色實(shí)線為訓(xùn)練集上的二次加權(quán)Kappa值，最大值為0.868 0；綠色虛線為驗(yàn)證集上的二次加權(quán)Kappa值，最大值為0.791 3。最后在測(cè)試數(shù)據(jù)集上得到的二次加權(quán)Kappa值為0.760 6。

圖8 DR的二次加權(quán)Kappa曲線Fig.8 The quadratic weighted Kappa curve of DR

雖然ROC曲線通常只適用于二分類問題，但是可通過一對(duì)多的方式將其拓展到多分類問題中。DR病變等級(jí)分為5個(gè)類別，當(dāng)需要生成0類別的ROC曲線時(shí)，可以將0類視為正類，其他4個(gè)類別視為負(fù)類，這樣每個(gè)病變類別都能得到一條ROC曲線和AUC值。DR五分類的AUROC如圖9所示。對(duì)圖9中5條ROC曲線下的面積求平均值得到最終的AUC，其值為0.871 9。

圖9 AUROCFig.9 AUROC

本文模型應(yīng)用在DR分級(jí)任務(wù)時(shí)的歸一化混淆矩陣如圖10所示。圖中橫軸代表預(yù)測(cè)值，縱軸對(duì)應(yīng)真實(shí)標(biāo)簽?；煜仃囍校鲗?duì)角線上的值表示預(yù)測(cè)正確的圖片數(shù)量在該類所有真實(shí)圖像數(shù)量中的占比。將主對(duì)角線上所有值的總和求均值就能得到ACA，其值為0.557 4。

從圖10可以看出：除了DR1類容易被預(yù)測(cè)為DR0類外，每一類大部分都預(yù)測(cè)到了正確的位置；DR0類是最容易檢測(cè)的類別，DR1類是最難區(qū)分的類別。此外，相鄰類別比較容易發(fā)生誤判，差別較大的類別發(fā)生誤判的概率較低。

圖10 DR分級(jí)預(yù)測(cè)歸一化混淆矩陣Fig.10 Normalized confusion matrix for the DR severity prediction task

4.4 不同算法的評(píng)估指標(biāo)對(duì)比

本文提出的糖網(wǎng)病五分類網(wǎng)絡(luò)模型在EyePACE測(cè)試數(shù)據(jù)集的二次加權(quán)Kappa值為0.760 6、ACA值為0.557 4，平均AUC值為0.871 9。為了更直觀的衡量模型的表現(xiàn)，實(shí)驗(yàn)最后同其他一些現(xiàn)有的方法進(jìn)行了測(cè)試與對(duì)比，結(jié)果見表3。

表3 實(shí)驗(yàn)對(duì)比結(jié)果Tab.3 The experimental comparison result

由表3可見，本文方法的二次加權(quán)Kappa和ACA值均為最佳，說明本文提出的SERA-Net模型在糖尿病視網(wǎng)膜病變分類任務(wù)里擁有較好的分類性能。

5 結(jié)論

本文提出了一種有效的SERA-Net深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，用于糖尿病視網(wǎng)膜病變程度分級(jí)。其中，ResNeXt繼承了ResNet網(wǎng)絡(luò)的優(yōu)點(diǎn)，在不增加參數(shù)的情況下提升了模型的準(zhǔn)確率；同時(shí)，通過SE-Net和Attention-Net的融合，實(shí)現(xiàn)了空間注意力和通道注意力的相互促進(jìn)，使得網(wǎng)絡(luò)訓(xùn)練的重點(diǎn)更好地集中在眼底圖像的病變區(qū)域，可以更好地學(xué)習(xí)DR的病變特征，從而提升了網(wǎng)絡(luò)的分類性能。