一、引言

对于眼疾病自动筛查系统而言，可接受的视网膜图像需要达到眼疾病诊断的标准。以DR自动诊断系统为例，图像中对正确诊断至关重要的部分必须是清晰可见的，例如血管和病变区域。人类更加关心视网膜的前景区域，忽略含有信息较少的背景区域。为了使CNN更适用于眼疾病筛查系统中的图像质量评估，我们设计了一种基于注意力机制的FA-Net网络结构。它包括两个部分：微调的VGG19主网络和基于前景提取的注意力网络。注意力网络用于提取疑似血管和病变区域，并赋予这些区域更高的学习权重以加强重要区域的学习。基于此，疑似血管和病变区域的权值将高于人们不关心的背景区域的权值。通过在VGG19网络结构中加入注意力网络，可以获得更好的性能。相比于传统的眼底图像质量评估模型，FA-Net网络考虑了人类视觉系统和人类注意力机制，并且不依赖手工特征，具有更好的泛化性。使用了迁移学习的方法从ImageNet上初始化网络权重，以减少训练网络的时间并获得更高的分类准确率。