基于改进胶囊网络的糖尿病性视网膜病变识别研究

doi:10.3969/j.issn.1006-5725.2025.07.006

摘要/Abstract

摘要：

目的针对实际场景下小样本糖尿病性视网膜病变识别模型重要特征不易表达，真、假特征系数分布过于平稳的问题，提出了一种基于改进胶囊网络的小样本糖尿病性视网膜病变识别方法。方法首先采取删除图像不必要边界信息并使用基于Haar基函数的离散小波变换来处理图像的方法，来提高图像的特征表达能力，凸显重要病灶特征；其次，对胶囊网络的卷积层进行改进，采用多分支结构提取视网膜图像的多尺度特征，并添加卷积块注意力模块（convolutional block attention module，CBAM），封装并送入胶囊层中；最后，在动态路由中用sigmoid函数替代softmax函数，增强了模型的鲁棒性。结果所改进网络模型在节选并处理后的Kaggle公开数据集中测试准确率为98.62%。结论改进胶囊网络在小样本糖尿病性视网膜病变识别的任务中所取得的精确度高于当前其他先进算法。

关键词: 糖尿病性视网膜病变识别, 多尺度, 小样本, 胶囊网络, CBAM

Abstract:

Objective To address the challenges of accurately capturing critical features in small?sample diabetic retinopathy （DR） recognition models in real?world applications， and the overly smooth distribution of true and false feature coefficients， we propose an enhanced small?sample DR recognition method based on an improved capsule network. Methods Firstly， the method enhances image feature representation by removing redundant boundary information and employing discrete wavelet transform based on the Haar wavelet function， thereby highlighting critical pathological features. Secondly， the convolutional layer of the capsule network is optimized through a multi?branch architecture to extract multi?scale features from retinal images， while incorporating a convolutional block attention module that is subsequently fed into the capsule layer. Finally， the sigmoid function replaces the softmax function in dynamic routing， thereby improving the model's robustness. Result The enhanced neural network model achieved an accuracy of 98.62% on the Kaggle public dataset following a rigorous selection and preprocessing procedure. Conclusion The enhanced capsule network demonstrated superior precision in identifying diabetic retinopathy within small sample sizes compared to other state?of?the?art algorithms currently available.

Key words: diabetic retinopathy recognition, multi-scale, small sample, capsule network, CBAM

中图分类号:

R318

朱周华,田成源,侯智杰,周怡纳,王斌. 基于改进胶囊网络的糖尿病性视网膜病变识别研究[J]. 实用医学杂志, 2025, 41(7): 968-975.

Zhouhua ZHU,Chengyuan TIAN,Zhijie HOU,Yi′na ZHOU,Bin WANG. Recognition of diabetic retinopathy based on improved capsule network[J]. The Journal of Practical Medicine, 2025, 41(7): 968-975.

图/表 13

表1

图1

图2

图3

图4

图5

图6

图7

表2

表3

图8

表4

表5

参考文献 21

1	李德毅，杜鹃. 不确定性人工智能［M］. 北京：国防工业出版社， 2014.
2	中华医学会眼科学分会眼底病学组，中国医师协会眼科医师分会眼底病学组. 我国糖尿病视网膜病变临床诊疗指南（2022年）——基于循证医学修订［J］. 中华眼底病杂志， 2023，39（2）：99-124.
3	李建军. 糖尿病性视网膜病变及糖尿病性黄斑水肿新的国际临床分级标准［J］. 国际眼科纵览， 2004.DOI：10.3760/cma.j.issn.1673-5803.2004.01.022 . doi: 10.3760/cma.j.issn.1673-5803.2004.01.022
4	PRATT H， COENEN F， BROADBENT D M， et al. Convolutional neural networks for diabetic retinopathy［J］. Procedia computer science， 2016， 90： 200-205. doi:10.1016/j.procs.2016.07.014 doi: 10.1016/j.procs.2016.07.014
5	ISLAM S M S， HASAN M M， ABDULLAH S. Deep learning based early detection and grading of diabetic retinopathy using retinal fundus images［EB/OL］. arXiv preprint arXiv：， 2018.
6	MANSOUR R F. Deep-learning-based automatic computer-aided diagnosis system for diabetic retinopathy［J］. Biomed Eng lett， 2018， 8（1）： 41-57. doi:10.1007/s13534-017-0047-y doi: 10.1007/s13534-017-0047-y
7	HACISOFTAOGLU R E， KARAKAYA M， SALLAM A B. Deep learning frameworks for diabetic retinopathy detection with smartphone-based retinal imaging systems［J］. Pattern recognition letters， 2020， 135： 409-417. doi:10.1016/j.patrec.2020.04.009 doi: 10.1016/j.patrec.2020.04.009
8	PANG H， WANG Z. Deep learning model for diabetic retinopathy detection［J］. J Software， 2017， 28（11）： 3018-3029.
9	VANUSHA D， AMUTHA B. Classification of Diabetic Retinopathy using Capsules［J］. International Journal of Uncertainty， Fuzziness and Knowledge-Based Systems， 2021， 29（6）： 835-854. doi:10.1142/s0218488521500379 doi: 10.1142/s0218488521500379
10	GADUPUDI K， JANAKIRAMAIAH B， KARUNA A， et al. Diabetic retinopathy detection and classification using capsule networks［J］. Complex & Intelligent Systems， 2023， 9（3）： 2651-2664. doi:10.1007/s40747-021-00318-9 doi: 10.1007/s40747-021-00318-9
11	KUMAR G， CHATTERJEE S， CHATTOPADHYAY C. DRISTI： a hybrid deep neural network for diabetic retinopathy diagnosis［J］. Signal Image Video Process， 2021， 15（8）： 1679-1686. doi:10.1007/s11760-021-01904-7 doi: 10.1007/s11760-021-01904-7
12	OULHADJ M， RIFFI J， KHODRISS C， et al. Diabetic retinopathy prediction based on wavelet decomposition and modified capsule network［J］. J Digit Imaging， 2023， 36（4）： 1739-1751. doi:10.1007/s10278-023-00813-0 doi: 10.1007/s10278-023-00813-0
13	Emma D， Jared， Jorge， Will C， et al. Diabetic Retinopathy Detection［EB/OL］. ， 2015. Kaggle.
14	FLEMING A D， GOATMAN K A， PHILIP S， et al. The role of haemorrhage and exudate detection in automated grading of diabetic retinopathy［J］. Br J Ophthalmol， 2010， 94（6）： 706-711. doi:10.1136/bjo.2008.149807 doi: 10.1136/bjo.2008.149807
15	JOHNSON A B， BURNS B. Hemorrhage［M］//StatPearls ［Internet］. StatPearls Publishing， 2023. doi:10.1080/15424065.2024.2389325 doi: 10.1080/15424065.2024.2389325
16	SABOUR S， FROSST N， HINTON G E. Dynamic routing between capsules［J］. Advances in neural information processing systems， 2017， 30.
17	WOO S， PARK J， LEE J Y， et al. Cbam： Convolutional block attention module［C］//Computer Vision ECCV 2018：Springer International Publishing， 2018： 3-19. doi:10.1007/978-3-030-01234-2_1 doi: 10.1007/978-3-030-01234-2_1
18	HOCHREITER S， SCHMIDHUBER J. Long Short-term Memory［J］. Neural Comput， 1997， 9（8）：1735-80. doi:10.1162/neco.1997.9.8.1735 doi: 10.1162/neco.1997.9.8.1735
19	NGUYEN H P， RIBEIRO B. Advanced capsule networks via context awareness［C］//Artificial Neural Networks and Machine Learning-ICANN 2019： Theoretical Neural Computation： 28th International Conference on Artificial Neural Networks， Munich， Germany：Springer International Publishing， 2019： 166-177. doi:10.1007/978-3-030-30487-4_14 doi: 10.1007/978-3-030-30487-4_14
20	赵爽，穆鸽，赵文华，等. 基于特征融合网络的糖尿病视网膜病变分类［J］. 激光与光电子学进展， 2023， 60（14）： 300-306. doi:10.3788/LOP222415 doi: 10.3788/LOP222415
21	XIANG C， ZHANG L， TANG Y， et al. MS-CapsNet： A Novel Multi-Scale Capsule Network［J］. IEEE Signal Processing Letters， 2018， 25（12）：1850-1854. doi:10.1109/lsp.2018.2873892 doi: 10.1109/lsp.2018.2873892

DR图像类型	训练集/张	测试集/张	总数据集/张
无病变	270	60	300
轻度非增生性病变	270	60	300
中度非增生性病变	270	60	300
重度非增生性病变	270	60	300
增生性病变	270	60	300

超参数	准确率/%
卷积核选择
7-5，3	97.5
9-6，3	94.8
9	93.5
动态路由选择
3	93.7
6	92.5
12	97.9
批量大小
32	97.4
64	95.6
128	95.4

先后顺序及连接方式	准确率/%
卷积1+卷积2+通道在前的串行CBAM	98.03
卷积1+卷积2+空间在前的串行CBAM	97.95
卷积1+卷积2+并行CBAM	97.35
卷积1+空间在前的串行CBAM +卷积2	97.47
卷积1+并行CBAM +卷积2	96.58
卷积1+通道在前的串行CBAM +卷积2+通道在前的串行CBAM	96.64
卷积1+空间在前的串行CBAM +卷积2+空间在前的串行CBAM	97.87
卷积1+通道在前的串行CBAM +卷积2+空间在前的串行CBAM	97.42
卷积1+空间在前的串行CBAM +卷积2+通道在前的串行CBAM	97.45
卷积1+通道在前的串行CBAM +卷积2	98.62

实验序列	multi	sigmoid	multi-CBAM	精确度/%	召回率/%
1				94.58	93.82
2	√			96.43	96.64
3		√		96.41	96.89
4			√	97.53	97.36
5	√	√	√	98.62	98.57

模型	K-CapsNet	VGG16-Caps	小波-CapsNet	本研究方法
准确率/%	97.65	82.06	86.54	98.62
精度/%	94.73	83.11	-	96.95
召回率/%	93.1	-	87	98.57
F₁分数/%	93.9	-	86	96.66