高血压眼底病变分级

高血压眼底疾病分期【高血压病Ⅰ期】初期全身小动脉多正常或有轻度功能性收缩，无器质性损害，眼底多正常。

当血压持续性升高或一时性的急剧升高时，出现反应性的局部管腔狭窄，反光增强变窄，称为动脉痉挛。

此时为暂时性的，当血压正常后即可恢复正常。

【高血压病Ⅱ期】已有器官损害，但功能可以代偿。

眼底可出现高血压视网膜动脉硬化(hypertensive arteriolosclerosis)表现：(1)动脉变细反光增强加宽，血柱颜色变浅。

由于动脉硬化收缩视网膜动静脉管径之比由正常的2:3，可减少为1:2，甚至更细。

由于管壁屈光指数增加，透明度降低，使得动脉反光增强加宽，呈黄红色，形成铜丝状外观(copper wire)。

当发展到管壁不透明时，不能看到血柱，仅见一白线，则呈银丝状外观(silver wire)。

(2)动静脉交叉部位可出现特有的交叉压迫征。

正常情况下，此处的动静脉共为一外膜，当动脉硬化及血管周围胶质增生时，产生对静脉的压力并使其管腔缩小，其表现为静脉隐匿、削尖、肿胀、移位或偏向，以及静脉拱桥等。

静脉隐匿是交叉部位的静脉受硬化动脉管壁压迫下陷，遮挡动脉两侧的静脉血柱，似被隔断样。

动脉硬化时，交叉部位的静脉壁也增厚且不透明，因而显示血柱变窄呈削尖样。

交叉部位静脉受压使其血流回流受阻，静脉远端扩张，加上硬化动脉的牵引关系使局部静脉偏向或移位。

当静脉隐匿并有受压出现回流障碍时称为Gunn征。

若静脉隐匿合并有偏向或移位时称salus征。

桥拱现象则是交叉部位的静脉位于动脉表面时，静脉骑跨形成驼峰状隆起，这是硬化的动脉增粗撑顶的体现。

【高血压病Ⅲ期】合并有器官损害，且功能已失代偿，眼底即形成高血压性视网膜病变(hypeaensive retinopathy)。

慢性高血压病晚期或急进性高血压舒张压超过130mmHg以上时，由于视网膜内屏障破坏失代偿，视网膜出现大面积的灰白色水肿，并有散在的或多发性片状出血灶，深层有黄白色斑点状硬性渗出，浅层有团状或棉絮状软性渗出斑。

高血压患者眼底病变相关因素分析
郭小明;李学良;王力伟
【期刊名称】《中国药物与临床》
【年(卷),期】2016(16)4
【摘要】高血压是一种常见的心血管系统疾病,多发生在中年以后和老年人,以慢性进行性多见。

我国群体发病率为5.11%,患者中约64%-73.3%有眼底改变。

为了了解高血压患者眼底病变的相关情况及其一些影响因素,本研究回顾性分析本院2013年内科住院的120例原发性高血压患者的临床资料,其中明确诊断合并眼底病变的患者84例（70%）,对其相关影响因素进行总结分析,报告如下。

【总页数】2页(P585-586)
【作者】郭小明;李学良;王力伟
【作者单位】063600 河北省乐亭县医院眼科;063600 河北省乐亭县医院急诊科;063600 河北省乐亭县医院手术室
【正文语种】中文
【相关文献】
1.乌鲁木齐市艾滋病患者眼底病变情况调查及相关因素分析 [J], 李希;武烜
2.2型糖尿病眼底病变的相关因素分析 [J], 牛建生;许良银
3.糖尿病眼底病变相关因素分析 [J], 田文真;李红梅
4.2型糖尿病眼底病变的相关因素分析 [J], 赵莉莉;沈蕾;梁馨文
5.视网膜动脉硬化Ⅱ级以上高血压患者眼底病变与颈动脉血流参数、斑块情况的相关性 [J], 臧鹏程;赵磊;王云慧;刘辉;张祝强
因版权原因，仅展示原文概要，查看原文内容请购买。

专业指南：眼科外科教学查房教案--高血压视网膜病变简介本教案旨在为眼科外科教学查房提供指导，重点讨论高血压引起的视网膜病变。

通过本教案的学习，学生将了解高血压视网膜病变的病因、临床表现、诊断方法和治疗原则。

学习目标1. 了解高血压视网膜病变的基本概念和病因。

2. 掌握高血压视网膜病变的临床表现和分类。

3. 熟悉高血压视网膜病变的诊断方法和鉴别诊断。

4. 了解高血压视网膜病变的治疗原则和预防措施。

教学内容1. 高血压视网膜病变的定义和病因。

2. 高血压视网膜病变的临床表现和分类。

3. 高血压视网膜病变的诊断方法和鉴别诊断。

4. 高血压视网膜病变的治疗原则和预防措施。

教学步骤步骤一：引言和知识准备- 介绍高血压视网膜病变的背景和重要性。

- 复习与高血压相关的基础知识，如高血压的定义、病因和临床表现。

步骤二：高血压视网膜病变的定义和病因- 解释高血压视网膜病变的概念和病因。

- 强调高血压对视网膜血管的损害机制，如动脉硬化和微循环障碍。

步骤三：高血压视网膜病变的临床表现和分类- 介绍高血压视网膜病变的常见临床表现，如视网膜出血、渗出和血管狭窄等。

- 分类讨论高血压视网膜病变的程度和分级标准。

步骤四：高血压视网膜病变的诊断方法和鉴别诊断- 介绍高血压视网膜病变的常用诊断方法，如眼底检查、OCT 和荧光血管造影等。

- 强调与其他眼部疾病的鉴别诊断，如糖尿病视网膜病变和青光眼等。

步骤五：高血压视网膜病变的治疗原则和预防措施- 介绍高血压视网膜病变的治疗原则，包括控制血压、药物治疗和手术治疗等。

- 强调高血压视网膜病变的预防措施，如定期检查血压、生活方式调整和合理用药等。

步骤六：总结和讨论- 总结本次教学内容，强调高血压视网膜病变的重要性和临床应用价值。

- 引导学生参与讨论，提出问题并解答疑惑。

教学评估- 设计一份小测试，考察学生对高血压视网膜病变的理解和应用能力。

- 鼓励学生提出问题和解答其他同学的问题。

参考资料- 眼科外科学教材- 相关学术论文结束语本教案提供了一份专业指南，帮助眼科外科教学查房中讲解高血压视网膜病变的重要内容。

高血压性视网膜病变与中医证型的相关性研究陶丽丽【摘要】目的探讨高血压性视网膜病变(HPR)与中医证型的相关性.方法收集187例高血压性视网膜病变病人进行中医辨证分型,对病程、眼底病变分级、血压、血脂及β2微球蛋白(β2-MG)与中医辨证分型的相关性进行分析.结果 187例HRP病人中医证型依次为阴虚阳亢证55例(29.4％),痰浊壅盛证49例(26.％),痰瘀互阻证44例(23.5％),气虚血瘀证39例(20.9％).不同病程组的证型构成比较,差异有统计学意义(x2=19.894,P=0.003).与阴虚阳亢证比较,痰瘀互阻证、气虚血瘀证的病程明显延长(P＜0.05).与阴虚阳亢证比较,痰浊壅盛证收缩压、总胆固醇升高,差异有统计学意义(P＜0.05或P＜0.01);痰瘀互阻证收缩压、低密度脂蛋白胆固醇和β2-MG升高,差异有统计学意义(P＜0.01);气虚血瘀证β2-MG升高,差异有统计学意义(P＜0.01).结论高血压性视网膜病变中医证型分布以阴虚阳亢证病人最多,随着病程延长,痰浊壅盛证和痰瘀互阻证的比例逐渐增加,病程、眼底病变分级、血压、血脂及β2微球蛋白与不同中医证型之间有一定相关性.【期刊名称】《中西医结合心脑血管病杂志》【年(卷),期】2018(016)017【总页数】4页(P2527-2530)【关键词】高血压性视网膜病变;高血压;中医证型;病程;眼底病变分级;β2微球蛋白;血脂【作者】陶丽丽【作者单位】中国中医科学院眼科医院北京100040【正文语种】中文【中图分类】R544.1;R255.3高血压性视网膜病变(hypertensive retinopathy，HRP)是高血压最常见的靶器官损害之一，原发性高血压病人70%以上有不同程度的视网膜病变[1-2]，进一步发展可导致更为严重的脉络膜和视神经变化，研究显示，高血压病程5年以上的病人视网膜病变的危险性显著增加[3]，除了控制血压外，目前现代医学缺乏针对性治疗，而中医药的辨证施治可有效减轻症状，改善病情。

高血压视网膜病变的影像学检查引言高血压视网膜病变是高血压病最常见的并发症之一，其主要表现为视网膜小动脉病变、视网膜出血、渗出和水肿等。

影像学检查在高血压视网膜病变的诊断、评估病情严重程度和监测治疗效果方面具有重要作用。

本文将介绍高血压视网膜病变的影像学检查方法及其临床应用。

1. 影像学检查方法1.1 眼底摄影眼底摄影是检查高血压视网膜病变的基本方法，通过拍摄视网膜的照片来观察视网膜病变。

眼底摄影分为彩色眼底摄影和荧光素眼底血管造影（FFA）。

1.1.1 彩色眼底摄影彩色眼底摄影是一种简单、无创的检查方法，可以观察到视网膜小动脉病变、出血、渗出和水肿等病变。

对于轻度高血压视网膜病变，彩色眼底摄影具有较高的诊断价值。

1.1.2 荧光素眼底血管造影（FFA）荧光素眼底血管造影是一种通过注射荧光素后拍摄眼底照片的方法，可以观察到视网膜血管的异常灌注和渗漏，对于评估病情严重程度和监测治疗效果具有重要价值。

1.2 光学相干断层扫描（OCT）光学相干断层扫描是一种无创、高分辨率的影像学检查方法，可以观察到视网膜各层的结构和厚度变化，对于诊断黄斑水肿和监测治疗效果具有重要价值。

1.3 超声检查超声检查是一种无创、无辐射的影像学检查方法，可以观察到视网膜和脉络膜的结构和血流情况，对于诊断视网膜脱离、脉络膜新生血管等病变具有重要价值。

2. 临床应用2.1 诊断高血压视网膜病变影像学检查可以观察到视网膜小动脉病变、出血、渗出和水肿等病变，结合患者的血压水平和眼底病变特征，可以诊断高血压视网膜病变。

2.2 评估病情严重程度影像学检查可以观察到视网膜病变的严重程度，如视网膜出血和渗出的范围和程度、黄斑水肿的厚度等，对于评估病情严重程度和制定治疗方案具有重要价值。

2.3 监测治疗效果影像学检查可以观察到视网膜病变的改善情况，如出血和渗出的减少、黄斑水肿的消退等，对于监测治疗效果和调整治疗方案具有重要价值。

结论影像学检查在高血压视网膜病变的诊断、评估病情严重程度和监测治疗效果方面具有重要作用。

高血压眼底分级口诀以下是五个关于高血压眼底分级口诀：
口诀一：
一级眼底很正常，血管清晰像小棒。

二级动脉稍变细，好像面条有点长。

三级动脉现银丝，如同蛛丝挂网上。

四级眼底出问题，视盘水肿别忘记。

小朋友们要记牢，了解分级早知道。

口诀二：
一级眼底没异样，血管直溜亮光光。

二级动脉有点弯，好似小蛇在闲逛。

三级银丝较明显，仿佛银线在摇晃。

四级情况有点糟，视盘水肿要心焦。

记住这些不困难，健康知识常相伴。

口诀三：
高血压眼底分级要分清，
一级血管好好的像小葱。

二级动脉有点变像皮筋，
三级银丝出来了像细银。

四级状况不太妙视盘肿，
小朋友们快来学记心中。

口诀四：
一级眼底平又顺，血管就像小木棍。

二级动脉稍异样，好像面条有点晃。

三级银丝较突出，如同银线串珍珠。

四级眼底麻烦多，视盘水肿快快躲。

大家快来念一念，知识记牢不会乱。

口诀五：
高血压眼底分分级，
一级血管直又齐像铅笔。

二级动脉起变化像麻线，
三级银丝较显眼像银链。

四级视盘出状况要警惕，
小朋友们认真记别忘记。

第１３卷㊀第１２期Ｖｏｌ．１３Ｎｏ．１２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１２月㊀Ｄｅｃ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１２－０１４４－０５中图分类号：ＴＰ３９１．４文献标志码：Ａ基于特征增强的高血压视网膜病变分类方法研究刘国强１，卓广平１，汪㊀扬１，阚玉常１，张光华２（１太原师范学院计算机科学与技术学院，山西晋中０３０６１９；２太原学院智能与自动化系，山西太原０３００３２）摘㊀要：高血压视网膜病变是由高血压所引起的眼底疾病，传统分类方法主要是基于区域特征进行分析，识别依据较为单一，准确度不高㊂为提高分类准确度，本文提出了一种基于特征增强机制的高血压视网膜病变分类方法，设计了基于不同图像色彩空间的眼底图像特征增强方法，增强眼底照片中的病灶特征，提高模型的输入特征值，将处理后的图片输入改进的ＤｅｎｓｅＮｅｔ模型中进行分类，从而提高高血压视网膜病变（ＨＲ）分类的准确度㊂采用公开数据集ＯＩＡ－ＯＤＩＲ对本文提出的基于特征增强的高血压视网膜病变分类方法进行测试，其敏感性㊁特异性㊁准确率分别达到９７．０９％㊁９８．７９％㊁９８．６７％，与现有的ＨＲ分类方法进行分析对比，本文提出的分类方法效果更佳㊂关键词：高血压视网膜病变分类；眼底图像特征增强；图像色彩空间；ＤｅｎｓｅＮｅｔ模型ＨｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｅｃｈａｎｉｓｍｒｅｓｅａｒｃｈＬＩＵＧｕｏｑｉａｎｇ１，ＺＨＵＯＧｕａｎｇｐｉｎｇ１，ＷＡＮＧＹａｎｇ１，ＫＡＮＹｕｃｈａｎｇ１，ＺＨＡＮＧＧｕａｎｇｈｕａ２（１ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＴａｉｙｕａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，ＪｉｎｚｈｏｎｇＳｈａｎｘｉ０３０６１９，Ｃｈｉｎａ；２ＤｅｐａｒｔｍｅｎｔｏｆＩｎｔｅｌｌｉｇｅｎｃｅａｎｄＡｕｔｏｍａｔｉｏｎ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙ，Ｔａｉｙｕａｎ０３００３２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙｉｓａｆｕｎｄｕｓｄｉｓｅａｓｅｃａｕｓｅｄｂｙｈｉｇｈｂｌｏｏｄｐｒｅｓｓｕｒｅ，ｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｉｓｍａｉｎｌｙｂａｓｅｄｏｎｔｈｅｒｅｇｉｏｎａｌｆｅａｔｕｒｅｓｔｏａｎａｌｙｚｅ，ｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｉｓｉｓｒｅｌａｔｉｖｅｌｙｓｉｎｇｌｅ，ａｎｄｔｈｅａｃｃｕｒａｃｙｉｓｎｏｔｈｉｇｈ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙｂａｓｅｄｏｎｔｈｅｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｅｃｈａｎｉｓｍａｎｄｄｅｓｉｇｎｓａｆｕｎｄｕｓｉｍａｇｅｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｉｍａｇｅｃｏｌｏｒｓｐａｃｅｓ，ｉ．ｅ．，ｔｏｅｎｈａｎｃｅｔｈｅｌｅｓｉｏｎｆｅａｔｕｒｅｓｉｎｔｈｅｆｕｎｄｕｓｐｈｏｔｏｇｒａｐｈｓ，ｔｏｉｎｃｒｅａｓｅｔｈｅｉｎｐｕｔｆｅａｔｕｒｅｖａｌｕｅｏｆｔｈｅｍｏｄｅｌ，ａｎｄｔｏｉｎｐｕｔｔｈｅｐｒｏｃｅｓｓｅｄｉｍａｇｅｓｉｎｔｏｔｈｅｉｍｐｒｏｖｅｄＤｅｎｓｅＮｅｔｍｏｄｅｌｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｓｏａｓｔｏａｃｈｉｅｖｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ（ＨＲ）．ｌｅｓｉｏｎ（ＨＲ）ｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｔｈｅｓｅｎｓｉｔｉｖｉｔｙ，ｓｐｅｃｉｆｉｃｉｔｙ，ａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｐｒｏｐｏｓｅｄｆｅａｔｕｒｅ－ｅｎｈａｎｃｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｆｏｒｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ（ＨＲ）ｗｅｒｅｔｅｓｔｅｄｕｓｉｎｇｔｈｅｐｕｂｌｉｃｌｙａｖａｉｌａｂｌｅｄａｔａｓｅｔＯＩＡ－ＯＤＩＲａｎｄｒｅａｃｈｅｄ９７．０９％，９８．７９％，ａｎｄ９８．６７％．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｅｘｉｓｔｉｎｇＨＲｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉｎｔｈｉｓａｒｔｉｃｌｅｉｓｂｅｔｔｅｒ．Ｋｅｙｗｏｒｄｓ：ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ；ｆｕｎｄｕｓｉｍａｇｅｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔ；ｉｍａｇｅｃｏｌｏｒｓｐａｃｅ；ＤｅｎｓｅＮｅｔｍｏｄｅｌ基金项目：山西省自然科学基金面上项目（２０１８０１Ｄ１２１１４７）；太原学院院级重点课题（２１ＴＹＫＺ０１）；眼科学山西省重点实验室开放课题（２０２３ＳＸＫＬＯＳ０４）㊂作者简介：刘国强（１９９７－），男，硕士研究生，主要研究方向：医学图像处理㊁计算机视觉㊂通讯作者：卓广平（１９７２－），男，博士，副教授，主要研究方向：大数据分析与挖掘㊁认知与智能㊂Ｅｍａｉｌ：ｌｉｕｇｑ０７０１＠１６３．ｃｏｍ收稿日期：２０２３－１０－２００㊀引㊀言高血压视网膜病变（ＨｙｐｅｒｔｅｎｓｉｖｅＲｅｔｉｎｏｐａｔｈｙ，ＨＲ）是高血压中最常见的并发症之一，其特征是视网膜动静脉管径比率发生改变㊁动静脉交叉压迫㊁视网膜内出血［１］㊂急性高血压可表现为视盘水肿㊁视网膜出血及水肿㊁棉绒斑，同时有高血压性脉络膜病变［２］㊂视网膜病变严重影响视力和生活质量，因此早期的诊断和治疗非常重要㊂高血压视网膜病变的传统诊断需要由专业的医生通过手动检查眼底图像来完成［３］㊂这种方法费时费力且存在主观性，利用深度学习算法对高血压视网膜病变进行诊断已经成为一个重要的研究领域［４］㊂使用深度学习算法可以将视网膜图像中的血管㊁病变区域和其他特征自动识别出来，实现对高血压视网膜病变的自动诊断和分类［５］㊂针对高血压视网膜病变的分类问题，许多研究都采用深度学习算法自动地学习视网膜图像的特征，对发生了病变的图像和未发生病变的图像进行分类，提高了病变识别的准确性和效率㊂２０１４年Ｋｈｉｔｒａｎ等［６］提出使用新的特征向量和混合分类器将视网膜血管分类为动脉和静脉的新方法，计算宽度进而得出动静脉比率（ＡｒｔｅｒｙｖｅｉｎＲａｔｉｏ，ＡＶＲ），实现对ＨＲ的识别与检测；２０１７年ＳｙａｈｐｕｔｒａＭ．Ｆ等［７］通过从彩色视网膜眼底图像中提取特征，将提取的特征用于训练前馈人工神经网络分类器；２０１９年Ｋｉｒｕｔｈｉｋａ等［８］通过使用Ｒａｄｏｎ血管跟踪算法提取特征向量对动静脉进行分类，计算ＡＶＲ实现ＨＲ病变检测；２０２２年王伟等［９］在整体ＨＲ分类模型的基础上，融合局部特征动静脉交叉压迫（ＡｒｔｅｒｉｏｖｅｎｏｕｓＮｉｃｋｉｎｇ，ＡＶＮ）分类模型来增强ＨＲ分类效果㊂以往的研究多是通过计算ＡＶＲ和ＡＶＮ对ＨＲ进行识别与检测，识别的依据主要是视网膜动静脉管径比率和是否交叉压迫，没有结合视网膜出血块和棉絮斑等症状，这些症状是高血压视网膜病变分级的重要参考因素㊂基于ＲＧＢ色彩空间的直方图均衡化（ＨｉｓｔｏｇｒａｍＥｑｕａｌｉｚａｔｉｏｎ，ＨＥ）技术在图像增强领域取得了很好的效果㊂１９９４年ＫａｒｅｌＺｕｉｄｅｒｖｅｌｄ等［１０］提出了限制对比度自适应直方图均衡化（ＣｏｎｔｒａｓｔＬｉｍｉｔｅｄＡｄａｐｔｉｖｅＨｉｓｔｏｇｒａｍＥｑｕａｌｉｚａｔｉｏｎ，ＣＬＡＨＥ）方法对图像对比度进行增强，从而实现对图像特征的增强；２０２２年任吉宏等［１１］引入基于极化统计ＨＳＶ颜色特征的自适应超像素聚类算法，提出一种借助邻域相关性的样本特征增强方法；２０２３年朱俊东等［１２］基于ＲＧＢ色彩空间，采用高斯滤波和ＣＬＡＨＥ等方法对眼底图像进行特征增强㊂以上方法均在ＲＧＢ和ＨＳＶ色彩空间对图像进行对比度增强，并没有考虑图像的亮度㊁色相等单一影响因素㊂通过转换到最优色彩空间ＣＩＥＣＡＭ对图像的亮度㊁色相㊁色度等因素处理，从而实现眼底图像增强㊂本文提出了一种新的眼底图像特征增强方法，将眼底图像转换到ＣＩＥＣＡＭ色彩空间，对图像的亮度㊁色相㊁色度等单一因素进行调整，使得眼底照片上的病灶特征更加清晰，以便模型在提取特征阶段有较好的针对性，从而提高分类的准确性；基于ＤｅｎｓｅＮｅｔ架构，对模型进行优化，通过在模型中增加通道注意力模块和空间注意力模块，强化模型对特征的学习，提高模型的预测性能㊂通过现有数据集对本文提出的分类方法进行评估，并且和现有方法进行对比实验，以验证该分类方法的性能㊂１㊀眼底图像预处理数据集中的视网膜眼底图像具有不同的光照和不清楚的ＨＲ症状㊂由于不同的数据采集角度和光照强度导致眼底图像的ＨＲ成像不同㊂因此，本文采用图像预处理方法对眼底图像进行预处理，为后续的分类任务提供高质量输入眼底照片㊂１．１㊀图像预处理本文通过裁减去除掉眼底照片中多余的黑色边框，即遍历整张照片的像素点，找到有效图像数据的边界，从而判断需要裁减线的横纵坐标，进行正方形切割，将图像转换成正方形图片，如图１所示；重新调整每一张照片的分辨率为１０２４ˑ１０２４，以便于操作；对ＨＲ眼底照片进行数据扩增，主要方法包括：水平翻转㊁垂直翻转㊁随机旋转等㊂图１㊀去黑边后的图像Ｆｉｇ．１㊀Ｉｍａｇｅａｆｔｅｒｇｏｉｎｇｔｏｔｈｅｂｌａｃｋｅｄｇｅ１．２㊀眼底图像特征增强本文提出了一种新的眼底图像特征增强方法，如图２所示㊂将通道J H转换图像为8位无符号整数类型转换回B G R空间输入图像对通道J H直方图均衡化与原图按权重合并输出图片转换颜色空间:从R G B到C I E C A M02.J C h图２㊀图像特征增强方法Ｆｉｇ．２㊀Ｉｍａｇｅｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｅｔｈｏｄ㊀㊀ＣＩＥＣＡＭ０２是视觉感知上最先进的色彩感知空间［１３］㊂将读取到的视网膜眼底照片从ＲＧＢ色彩空间转到ＣＩＥＣＡＭ０２色彩空间；对ＣＩＥＣＡＭ０２色彩空间中的Ｊ（亮度）㊁Ｈ（色相）通道进行自适应直方图均衡化；当对Ｃ（色度）通道进行处理时会导致图像特征消失，所以本文只对Ｊ（亮度）㊁Ｈ（色相）通道进行处理，之后再转换回ＢＧＲ色彩空间，最后通过如式（１）将处理过的图像和原图像进行有权重的融合，用ｎｅｗｉｍａｇｅｘ，ｙ()表示融合后图像的像素，式（１）：㊀ｎｅｗｉｍａｇｅｘ，ｙ()＝ＲＧＢｉｍａｇｅｘ，ｙ()∗α＋ＣＩＥＣＡＭｉｍａｇｅｘ，ｙ()∗β＋γ（１）其中，α表示原图权重系数；β表示特征增强处理后眼底图像的权重系数；γ为调整图像亮度常数；ＲＧＢｉｍａｇｅ（ｘ，ｙ）表示原图的像素；ＣＩＥＣＡＭｉｍａｇｅ（ｘ，ｙ）表示经过处理后的像素㊂５４１第１２期刘国强，等：基于特征增强的高血压视网膜病变分类方法研究公式（１）中α＝０．８，β＝０．２，γ＝８，经过融合后的眼底图像有明显的病症特征，如图３所示㊂图３㊀特征增强后的眼底图像Ｆｉｇ．３㊀Ｆｕｎｄｕｓｉｍａｇｅａｆｔｅｒｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔ２㊀改进ＤｅｎｓｅＮｅｔ架构的分类模型设计２．１㊀分类模型改进说明对ＤｅｎｓｅＮｅｔ２０１架构的改进主要通过添加具有通道注意力机制和空间注意力机制的密集的特征变换层对特征进行识别㊂最后，基于ＳｏｆｔＭａｘ层进行分类决策，对眼底照片分类进行预测㊂本模型采用迁移学习方法，使用基于ＩｍａｇｅＮｅｔ数据集的预训练模型，为了不改变预训练模型结构，分别在第一层卷积层之后和最后一层卷积层之后添加了卷积注意力模块（ＣＢＡＭ），使得模型仍然可以使用预训练参数㊂卷积注意力模块（ＣＢＡＭ）是一种用于前馈卷积神经网络的简单而有效的注意力模块［１４］㊂ＣＢＡＭ是一种结合了空间（ｓｐａｔｉａｌ）和通道（ｃｈａｎｎｅｌ）的注意力模块㊂通道注意力机制（ＣｈａｎｎｅｌＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ）将特征图在空间维度上进行压缩时，分别使用平均值池化（ＡｖｅｒａｇｅＰｏｏｌｉｎｇ）和最大值池化（ＭａｘＰｏｏｌｉｎｇ）㊂平均池化和最大值池化用来聚合特征映射的空间信息，分别送到一个共享网络，本文共享网络采用了两个二维卷积操作，如图４中Ｃｏｎｖ１和Ｃｏｎｖ２，实现压缩输入特征图的空间维数，之后再逐元素求和合并，以产生通道注意力图㊂空间注意力机制（ＳｐａｔｉａｌＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ）是对通道进行压缩，在通道维度分别进行了使用平均值池化和最大值池化㊂ＭａｘＰｏｏｌ的操作是在通道上提取最大值，提取的次数是高乘以宽；ＡｖｇＰｏｏｌ的操作是在通道上提取平均值，提取的次数也是高乘以宽㊂将前面所提取到的特征图（通道数都为１）合并得到一个２通道的特征图；经过一个卷积操作（Ｃｏｎｖ３）生成特征图，其中卷积核大小为７ˑ７㊂经过池化操作的空间注意力模块有效凸显了信息丰富的区域㊂A v e r a g e_p o o lC o n v1R e l uC o n v2M a x_p o o lC o n v1R e l uC o n v2A v g_o u t+M a x_o u tp o o lS i g m o i dC o n v3C o n c a t(A v g_o u tM a x_o u t)A v e r a g e_p o o l M a x_p o o lS i g m o i dC o n vd a t a通道注意力模块空间注意力模块图４㊀模型注意力模块设计Ｆｉｇ．４㊀Ｄｅｓｉｇｎｏｆａｔｔｅｎｔｉｏｎｍｏｄｕｌｅｉｎｔｈｅｍｏｄｅｌ２．２㊀分类方法设计本文将经过特征增强处理的图像作为输入图像，图像的基础分辨率为１０２４ˑ１０２４，在模型训练过程中将分辨率作为变量分析对模型的影响㊂ＨＲ分类方法如图５所示，图５中每个ＤｅｎｓｅＢｌｏｃｋ包含２层卷积，卷积ｋｅｒｎｅｌ大小依次为１ˑ１㊁３ˑ３，在卷积前进行ＢａｔｃｈＮｏｒｍ＋Ｓｃａｌｅ＋ＲｅＬＵ操作，第１㊁２个卷积输出ｆｅａｔｕｒｅｍａｐｓ分别为１２８㊁３２㊂因为ｋ＝３２，所以每个ＤｅｎｓｅＢｌｏｃｋ输出ｆｅａｔｕｒｅｍａｐｓ数会比上一个ＤｅｎｓｅＢｌｏｃｋ多３２㊂每个ＤｅｎｓｅＢｌｏｃｋ后做Ｃｏｎｃａｔ操作［１５］㊂通道注意力模块+空间注意力模块连续6个D e n s eB l o c kT r a n s i t i o nL a y e r连续12个D e n s eB l o c kT r a n s i t i o nL a y e r连续48个D e n s eB l o c k最大池化M a x p o o l i n gC o n v o l u t i o n+B a t c h N o r m+R e L U特征增强图像预处理S o f t m a x输出分类结果平均池化A v e r a g e p o o l i n g通道注意力模块+空间注意力模块连续32个D e n s eB l o c kT r a n s i t i o nL a y e r图５㊀ＨＲ分类方法Ｆｉｇ．５㊀ＨＲｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ６４１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀３㊀实验ＤｅｎｓｅＮｅｔ架构中使用的参数设置值包括：优化器：ＳＧＤ，增长率：３２，学习率：０．００１，ｅｐｏｃｈ：２０，损失函数：交叉熵损失函数ＣｒｏｓｓＥｎｔｒｏｐｙＬｏｓｓ㊂３．１㊀数据集的准备本文数据集主要来源ＯＩＡ－ＯＤＩＲ该公开数据集㊂其中，训练集４０８６张，包括正常眼底照片２２２６张㊁ＨＲ眼底照片１８６０张；测试集４５３张，包括正常眼底照片２４７张㊁ＨＲ眼底照片２０６张㊂数据集代表眼底图像如图６所示㊂（ａ）正常眼底㊀（ｂ）ＨＲ眼底图６㊀数据集代表眼底图像Ｆｉｇ．６㊀Ｄａｔａｓｅｔｒｅｐｒｅｓｅｎｔｓｆｕｎｄｕｓｉｍａｇｅｓ３．２㊀模型性能分析本文用敏感性（Ｓｅｎｓｉｔｉｖｉｔｙ，ＳＥ）㊁特异性（Ｓｐｅｃｉｆｉｃｉｔｙ，ＳＰ）㊁准确率（Ａｃｃｕｒａｃｙ，ＡＣＣ）３个评价指标对模型的性能进行评估㊂ＡＣＣ表示图像分类正确的识别率；ＳＥ表示正确识别出ＨＲ的概率，即实际眼底图像为ＨＲ且被模型预测为ＨＲ的概率，高敏感性代表漏诊率低；ＳＰ表示正确识别出正常眼底图像的概率，即实际眼底图像正常且被模型预测为正常的概率，高特异性代表误诊率低㊂敏感性（ＳＥ）㊁特异性（ＳＰ）㊁准确率（ＡＣＣ）的计算见式（２） 式（４）：ＳＥ＝ＴＰＴＰ＋ＦＮ（２）ＳＰ＝ＴＮＴＮ＋ＦＰ（３）ＡＣＣ＝ＴＰ＋ＴＮＴＰ＋ＦＰ＋ＴＮ＋ＦＮ（４）㊀㊀其中，ＴＰ表示模型正确识别出ＨＲ眼底照片的数量；ＴＮ表示模型正确识别出正常眼底照片的数量；ＦＰ表示模型将正常眼底照片错误识别为ＨＲ眼底照片的数量；ＦＮ表示模型将ＨＲ眼底照片错误识别为正常眼底照片㊂训练过程中准确率曲线变化如图７所示，训练过程中ｌｏｓｓ曲线变化如图８所示㊂㊀㊀为了探究不同的分辨率对模型性能的影响，使用不同的分辨率进行实验见表１㊂㊀㊀由表１可知，分辨率对模型的训练有一定的影响，本文在实验过程中将输入图像的分辨率设置为５１２ˑ５１２，该分辨率下模型的准确率㊁敏感性㊁特异性最好，综合考虑最优㊂0.90.80.70.60.50.40.3k20406080100120140160180200220图７㊀训练过程中准确率曲线变化图Ｆｉｇ．７㊀Ａｃｃｕｒａｃｙｃｕｒｖｅｃｈａｎｇｅｐｌｏｔｄｕｒｉｎｇｔｒａｉｎｉｎｇ1.61.41.21.00.80.60.40.2k20406080100120140160180200220图８㊀训练过程中ｌｏｓｓ曲线变化图Ｆｉｇ．８㊀Ｌｏｓｓｃｕｒｖｅｃｈａｎｇｅｐｌｏｔｄｕｒｉｎｇｔｒａｉｎｉｎｇ表１㊀不同分辨率大小ＨＲ分类性能对比Ｔａｂｌｅ１㊀ＨＲｃｌａｓｓｉｆｉｃａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｓｉｚｅｓ分辨率准确率／％敏感性／％特异性／％１２８ˑ１２８９６．１６９７．０８９５．９５２５６ˑ２５６９８．０１９５．５７９８．３８５１２ˑ５１２９８．６７９７．０９９８．７９７６８ˑ７６８９６．９０９４．６６９８．７８１０２４ˑ１０１４９６．４６９３．６８９８．７８㊀㊀为了验证本文提出的特征增强方法对ＨＲ分类的影响，将经过基本预处理后的图像和经过特征增强方法处理后的图像作为网络模型ＤｅｎｓｅＮｅｔ２０１的输入图像进行对比实验，实验结果见表２㊂表２㊀本文图像处理方法与现有图像预处理方法的实验结果对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂｅｔｗｅｅｎｔｈｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｉｎｔｈｉｓｐａｐｅｒａｎｄｔｈｅｅｘｉｓｔｉｎｇｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｓ输入图像准确率／％敏感性／％特异性／％预处理图像９７．５７９６．６０９８．３８特征增强图像９８．６７９７．０９９８．７９㊀㊀由表３可知，经过本文提出的特征增强方法处理７４１第１２期刘国强，等：基于特征增强的高血压视网膜病变分类方法研究后的图像能够提升模型的分类性能，准确率提高了１．１％㊁敏感性提高了０．４９％，特异性提高了０．４１％㊂为了说明改进ＤｅｎｓｅＮｅｔ２０１模型对ＨＲ的分类结果的影响，将原来的ＤｅｎｓｅＮｅｔ２０１与改进后的ＤｅｎｓｅＮｅｔ２０１进行对比实验，数据集采用本文中经过特征增强处理后的数据集，实验结果见表３㊂表３㊀改进ＤｅｎｓｅＮｅｔ２０１模型与原始模型ＤｅｎｓｅＮｅｔ２０１实验结果对比Ｔａｂｌｅ３㊀ＣｏｍｐａｒｉｓｏｎｏｆｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂｅｔｗｅｅｎｔｈｅｉｍｐｒｏｖｅｄｍｏｄｅｌＤｅｎｓｅＮｅｔ２０１－ＣＢＡＭａｎｄｔｈｅｏｒｉｇｉｎａｌｍｏｄｅｌＤｅｎｓｅＮｅｔ２０１模型准确率／％敏感性／％特异性／％ＤｅｎｓｅＮｅｔ２０１９６．４７９３．２０９９．１９改进的ＤｅｎｓｅＮｅｔ２０１９８．６７９７．０９９８．７９㊀㊀由表３可知，添加了通道注意力模块和空间注意力模块的ＤｅｎｓｅＮｅｔ２０１－ＣＢＡＭ网络模型较原始ＤｅｎｓｅＮｅｔ２０１模型在分类准确率方面有一定的提高㊂为了验证本文提出的ＨＲ分类方法的性能，将本文提出的ＨＲ分类方法与现有的ＨＲ分类方法：反向传播神经网络［７］㊁计算视网膜动静脉管径比率［８］㊁融合区域特征（ＡＶＮ）［９］识别方法，进行对比实验；实验结果见表４㊂表４㊀本文方法与其他ＨＲ分类方法实验结果对比Ｔａｂｌｅ４㊀ＰｅｒｆｏｒｍａｎｃｅｍｅｔｈｏｄｗｉｔｈｏｔｈｅｒＨＲｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ识别方法准确率／％敏感性／％特异性／％反向传播神经网络［７］９５．００计算视网膜动静脉管径比率［８］９２．５５９３．８０融合区域特征（ＡＶＮ）［９］９３．５０６９．８３９８．３３本文方法９８．６７９７．０９９８．７９㊀㊀由表４可知，本文提出的分类方法准确率达到了９８．６７％㊁敏感性达到了９７．０９％㊁特异性达到了９８．７９％㊂准确率上高于其他方法，并且具有高特异性和高敏感性，这对于ＨＲ前期的诊断有积极的意义㊂４㊀结束语本文提出了一种基于特征增强机制的高血压视网膜病变分类方法㊂首先，对输入眼底图像进行去除黑色边框㊁调整图像分辨率㊁数据扩增等预处理；其次，通过颜色空间的转换，将眼底图像由ＢＧＲ通道转换为Ｊ（亮度）Ｃ（色度）Ｈ（色相）通道，对ＪＨ通道进行自适应直方图均衡化，将处理后的ＪＣＨ通道图转换回ＢＧＲ通道图；最后，按照权重将处理后的图像与预处理后的图像进行融合生成新的眼底图像㊂将新生成的图像归一化处理之后作为改进的ＤｅｎｓｅＮｅｔ２０１模型的输入图像，经过模型后输出预测结果㊂本文提出的ＨＲ分类方法的敏感性㊁特异性㊁准确率分别达到９７．０９％㊁９８．７９％㊁９８．６７％，与现有的ＨＲ分类方法进行分析对比，本文提出的ＨＲ分类方法效果更佳㊂在下一步的工作中将采用更先进的图像分类模型对ＨＲ进行分类，在数据集有保障的情况下将尝试对ＨＲ进行５期分类，提高ＨＲ分类实验的实际应用价值㊂参考文献［１］ＷＯＮＧＴＹ，ＭＩＴＣＨＥＬＬＰ．Ｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ［Ｊ］．ＮｅｗＥｎｇｌａｎｄＪｏｕｒｎａｌｏｆＭｅｄｉｃｉｎｅ，２００４，３５１（２２）：２３１０－２３１７．［２］ＢＨＡＲＧＡＶＡＭ，ＩＫＲＡＭＭＫ，ＷＯＮＧＴＹ．Ｈｏｗｄｏｅｓｈｙｐｅｒｔｅｎｓｉｏｎａｆｆｅｃｔｙｏｕｒｅｙｅｓ？［Ｊ］．ＪｏｕｒｎａｌｏｆＨｕｍａｎＨｙｐｅｒｔｅｎｓｉｏｎ，２０１２，２６（２）：７１－８３．［３］唐淼．ＯＣＴＡ应用于轻度高血压性视网膜病变微血管的筛查［Ｊ］．南通大学学报（医学版），２０２３，４３（２）：１８９－１９１．［４］ＬＩＣ，ＹＥＪ，ＨＥＪ，ｅｔａｌ．Ｄｅｎｓｅｃｏｒｒｅｌａｔｉｏｎｎｅｔｗｏｒｋｆｏｒａｕｔｏｍａｔｅｄｍｕｌｔｉ－ｌａｂｅｌｏｃｕｌａｒｄｉｓｅａｓｅｄｅｔｅｃｔｉｏｎｗｉｔｈｐａｉｒｅｄｃｏｌｏｒｆｕｎｄｕｓｐｈｏｔｏｇｒａｐｈｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０２０ＩＥＥＥ１７ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＢｉｏｍｅｄｉｃａｌＩｍａｇｉｎｇ（ＩＳＢＩ）．ＩＥＥＥ，２０２０：１－４．［５］郭东琳．人工智能在眼底影像分析中的研究进展及应用现状［Ｊ］．眼科学报，２０２２，３７（３）：１８５－１９３．［６］ＫＨＩＴＲＡＮＳ，ＡＫＲＡＭＭＵ，ＵＳＭＡＮＡ，ｅｔａｌ．Ａｕｔｏｍａｔｅｄｓｙｓｔｅｍｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１４４ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＴｈｅｏｒｙ，ＴｏｏｌｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ（ＩＰＴＡ）．２０１４：１－６［７］ＳＹＡＨＰＵＴＲＡＭＦ，ＡＭＡＬＩＡＣ，ＲＡＨＭＡＴＲＦ，ｅｔａｌ．Ｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙｉｄｅｎｔｉｆｉｃａｔｉｏｎｔｈｒｏｕｇｈｒｅｔｉｎａｌｆｕｎｄｕｓｉｍａｇｅｕｓｉｎｇｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓ：ＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ．ＩＯＰＰｕｂｌｉｓｈｉｎｇ，２０１８，９７８（１）：０１２１０６．［８］ＫＩＲＵＴＨＩＫＡＭ，ＳＷＡＰＮＡＴＲ，ＳＡＮＴＨＯＳＨＫＣ，ｅｔａｌ．ＡｒｔｅｒｙａｎｄＶｅｉｎｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｈｙｐｅｒｔｅｎｓｉｖｅｒｅｔｉｎｏｐａｔｈｙ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１９３ｒｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＴｒｅｎｄｓｉｎＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｃｓ（ＩＣＯＥＩ）．ＩＥＥＥ，２０１９：２４４－２４８．［９］王伟，浦一雯．区域特征融合的高血压视网膜病变分类方法［Ｊ］．计算机工程与应用，２０２２，５８（８）：２３０－２３６．［１０］ＫＯＫＵＦＵＴＡＫ，ＭＡＲＵＹＡＭＡＴ．Ｒｅａｌ－ｔｉｍｅｐｒｏｃｅｓｓｉｎｇｏｆｃｏｎｔｒａｓｔｌｉｍｉｔｅｄａｄａｐｔｉｖｅｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｏｎＦＰＧＡ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１０ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃａｎｄＡｐｐｌｉｃａｔｉｏｎｓ．ＩＥＥＥ，２０１０：１５５－１５８．［１１］任吉宏，刘畅．基于自适应超像素的少样本极化ＳＡＲ图像特征增强方法研究［Ｊ］．电子技术应用，２０２２，４８（１０）：１４４－１４９．［１２］朱俊东，卓广平，吴诗雨，等．基于迁移学习的糖尿病视网膜病变的分类检测［Ｊ］．中北大学学报（自然科学版），２０２３，４４（４）：４７８－４８６．［１３］ＴＨＷＡＩＴＥＳＡ，ＷＩＮＧＦＩＥＬＤＣ，ＷＩＥＳＥＲＥ，ｅｔａｌ．ＥｎｔｒａｉｎｍｅｎｔｔｏｔｈｅＣＩＥＣＡＭ０２ａｎｄＣＩＥＬＡＢｃｏｌｕｒａｐｐｅａｒａｎｃｅｍｏｄｅｌｓｉｎｔｈｅｈｕｍａｎｃｏｒｔｅｘ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ，２０１８，１４５：１－１０．［１４］ＷＯＯＳ，ＰＡＲＫＪ，ＬＥＥＪＹ，ｅｔａｌ．Ｃｂａｍ：Ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ（ＥＣＣＶ）．２０１８：３－１９．［１５］ＨＵＡＮＧＧ，ＬＩＵＺ，ＶＡＮＤＥＲＭＡＡＴＥＮＬ，ｅｔａｌ．Ｄｅｎｓｅｌｙｃｏｎｎｅｃｔｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０１７：４７００－４７０８．８４１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。