眼底图像高血压疾病预测方法研究

眼底图像高血压疾病预测方法研究

郑文博 綦娜娜

哈尔滨理工大学 荣成学院 山东 荣成264300

摘 要：高血压疾病是一种常见的慢性病，同时高血压疾病可能会导致心脑血管疾病发作。眼底图像可以作为高血压疾病的参考，眼科医生可以通过对眼底图像的分析，预测出是否患有高血压疾病，进而可以提出有效措施并减少疾病发作。

关键词：高血压疾病；眼底图像；预测

一、基于语义融合分割眼底图像高血压疾病预测的模型构建

本文主要的网络为UNet和ResNet。图1展示了本模型的主要架构，其核心主要以改进后的UNet模型作为主要分割模型，再运用ResNet模型作为主要预测模型。首先，我们先通过语义分割网络UNet进行眼底图像分割，我们在传统的UNet模型中进行了改进，在卷积下采样的过程中加入了通道注意力和空间注意力，这种改进可以增强UNet结构中的跳跃链接，可以对分割效果有提升。

其次，我们将原始模型和分割模型进行融合，融合主要是为了凸显出两张图像之间的差别，可以同时获取两张图像不同的特征。在眼底图像处理中，这种融合方式将眼底图像中的血管区域进行了融合，这样可以更好的预测高血压疾病。在预测方面，我们使用了ResNet模型，这种模型不仅可以避免梯度消失问题，在图像分类中，可以通过不断增加网络深度来提高分类精准，这种模型不仅可以在图像分类中应用，还可以在目标检测，语义分割等领域中都有极大的作用，所以我们使用ResNet作为我们的高血压疾病的预测模型，可以极大的帮助我们在高血压疾病预测中提高准确率。

图1  基于语义融合分割眼底图像的网络模型

二、实验环境与模型训练

本实验采用了NVIDIA RTX4060显卡进行实验，选择pytorch为开发框架，实验平台是Ubuntu 20.04操作系统，使用的编程语言为python，版本为python 3.8。实验选用的数据集主要为RITE和STARE数据集，RITE数据集主要用于对视网膜眼底图像中的动脉和静脉进行分割或分类，该数据库包含了40组图像。分割模型中，输入512×512的彩色眼底图像，训练过程中，学习率设置为0.0001，网络训练迭代次数（epoch）为400，batchsize设置为2，采用Adam优化方法自适应调整学习率进而达到权重参数的更新。预测模型中，使用ResNet模型进行训练，，学习率设置为0.003，网络训练迭代次数（epoch）为200，batchsize设置为16。

三、评价指标

由于本研究针对的是预测是否患有高血压疾病，涉及到两个不同的类别（患有高血压疾病和没有高血压疾病），因此选择分类准确率、敏感度、真阳性率和真阴性率作为评价指标。通过这样的评价体系，可以更全面地了解模型在预测高血压疾病的性能。

四、实验与分析

为了更好的预测，我们将三种网络模型:ResNet-34、ResNet-50、ResNet-101分别进行实现，实验对比效果如表1所示

表1 网络分类性能展示

通过以上三组实验，先将眼底图像进行分割，分割后再用以上三种网路模型进行分类，无论是准确率，敏感度，还是真阳性率和真阴性率，ResNet-101模型比其他三种模型在高血压疾病预测方面有更好的效果。所以通过使用改进后的UNet模型与ResNet模型可以更好的预测高血压疾病，在临床方面也有更好的作用。

参考文献：

[1] 邝继发. 基于深度学习算法的高血压性视网膜病变眼底图像自动检测研究[D]．汕头大学,2020.

[2] 谢银.基于深度学习的眼底图像高血压疾病预测[D].北京邮电大学, 2022.DOI:10.26969/d.cnki.gbydu.2022.000915.

作者简介：郑文博（2005.10—），男，黑龙江省哈尔滨人，汉族，本科在读，研究方向：计算机视觉。

项目资助：（黑龙江省大学生创新创业训练计划项目:眼底图像高血压疾病预测方法研究，NO. S202410214035）姓名：郑文博

单位及邮编：哈尔滨理工大学，264300

第二作者：綦娜娜  哈尔滨理工大学，264300

（黑龙江省大学生创新创业训练计划项目:眼底图像高血压疾病预测方法研究，NO. S202410214035）