糖尿病性视网膜病变是一种具有特异性改变的眼底病变,它主要是由糖尿病引起视网膜血管壁受损而导致视网膜出现微动脉瘤、出血点等病灶,是由糖尿病引起的严重并发症之一。糖尿病性视网膜病变是糖尿病患者视力丧失的主要原因。当前,随着生活方式的改变,糖尿病患者快速增多,随之造成糖尿病性视网膜病变患者也越来越多,导致大量工作人群致盲。糖尿病性视网膜病变一般分为两个主要时期:非增生性视网膜病变时期与增生性视网膜病变时期。如果患者能在非增生性病变时期得到及时的诊断和治疗,就能大大降低致盲的概率。目前,眼科医生主要利用彩色眼底相机来采集眼底图像,并通过观察眼底图像中出现的异常病灶进行诊断。然而,由于眼底上可能出现病变的种类多样、形态不一,对医生的专业水平要求较高,从而导致专业眼科医生的数量远远不能满足患者的就诊需求。因此,利用技术手段提高糖网病变的诊断效率至关重要。本文拟基于机器学习和图像分析理论与技术,研究糖尿病性视网膜病变自动化诊断技术,主要研究成果如下:(1)筛选并改进了现有基础深度神经网络架构,使之适应糖网病变筛查。另外,针对糖网病变标注图像较少这一问题,本文基于迁移学习原理,结合其它领域图像数据集和眼底图像数据集,训练得到基础分类模型。(2)提出了一种基于多特征融合的眼底图像病情评估学习方法。根据眼底图像的特点以及数据集的分布特性,从同一位患者的左右眼图像中来提取特征并进行融合,从而提高诊断正确率。另外,为了提高模型的泛化能力、提高单张图像的分类准确性,本文进一步为单张图像做不同的变换,从而生成多种不同的特征并进行融合。实验结果显示,本文的方法显著提升了眼底图像病情诊断的正确率。(3)提出了一种基于注意力机制的眼底图像病情评估学习算法。在现有的分类网络中引入了注意力机制,通过对不同区域增加不同权值,使得在网络中使得有助于分类的特征被强化,而对分类无帮助的特征被弱化,从而实现对网络分类性能的提升,并且可以对图像中的较为明显病变区域进行可视化。实验结果显示,在基础分类网络中加入注意力机制有助于提高分类精度,而且通过注意力机制的可视化图像可辅助确定病变位置。