计算机应用

作者：牛四杰, 刘昱良

单位：1.济南大学 信息科学与工程学院，济南 250022；2.山东省网络环境智能计算技术重点实验室（济南大学），济南 250022

关键词：深度学习,知识蒸馏,类别不平衡,视网膜病变图像分类

基金：国家自然科学基金资助项目(62471202);山东省高等学校人才引育创新团队发展计划项目(鲁教科函［2021］51号);山东省科技型中小企业创新能力提升工程项目(2022TSGC1048)

利用传统模型对糖尿病肾病（DN）高风险患者的视网膜疾病进行早期诊断时，由于糖尿病患者的视网膜图像数据少且类别不平衡，诊断精度不高。因此，提出一种基于知识蒸馏双分支结构的视网膜病变辅助诊断方法，以提高对少数类别的识别能力。该方法首先使用在大型医学数据集上训练的教师网络指导学生网络学习，将教师网络所学得的信息传递给学生网络，以提升学生网络的泛化能力，缓解数据少的问题。其次，在学生网络中提出一种双分支结构：分支一使用重平衡策略，引入Focal Loss函数，通过调节损失函数的权重使模型更关注难分样本；分支二利用类别注意力模块（CAM）学习每个类别的判别性特征，使模型在训练中不会偏向数据多的类别。这2个分支分别促进分类器学习和特征学习，可缓解类别不平衡。使用临床上收集的视网膜图像数据对所提方法进行评估，实验结果表明，所提方法在66例（89眼） DN高风险患者筛查任务上的准确率和特异度比病变感知注意力模型（LAM）分别提高了1.05和1.53个百分点。所提方法可以提高DN识别精度，实现视网膜疾病的辅助诊断。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期