基于生成对抗网络与双注意力的糖网分类方法

作者：郭妮妮; 乔钢柱^*; 张光华; 王龙

来源：中北大学学报(自然科学版), 2023, 44(01): 39-47.

• 糖尿病视网膜病变分类
• 数据集不均衡
• ACGAN
• 双注意力机制
• InceptionV3
• 焦点损失

针对在糖尿病视网膜病变分类过程中，因为数据集不均衡、类间特征相似、类内又存有差异，从而导致最终分类准确率不高的问题，提出了一种结合生成对抗网络与双注意力的分类方法AIDnet。首先，在ACGAN网络后加入转置卷积进行改进，生成轻度NPDR、重度NPDR、 PDR的图像平衡数据集；其次，在InceptionV3网络的基础上加入双注意力机制(DAM),在减少计算开销的同时提升性能；最后，利用焦点损失函数增加难以识别病变的权重，减少易识别病变的权重，高效提取DR图像的细节特征。实验结果表明，AIDnet网络在Kaggle数据集上的自动分类准确率为89.53%,敏感度为82.45%,特异性为93.26%;在Messidor2上的准确率达到90.31%,敏感度达到89.28%,特异性达到93.31%。较其他分类方法而言，AIDnet分类效果良好，有助于提高糖尿病视网膜病变的分类准确率。

• 出版日期2023
• 单位太原学院; 中北大学