Диабетическая ретинопатия (ДР) является распространенным осложнением диабета и одной из основных причин слепоты во всем мире. На ранних клинических стадиях ДР трудно обнаружить. В данной работе предлагается метод компьютерной поддержки диагностики на основе сверточных нейронных сетей для автоматической классификации степени тяжести ДР по изображениям глазного дна. Используются различные методы предварительной обработки для улучшения качества входных изображений, а также различные методы увеличения данных для повышения сбалансированности набора данных. Применяется регуляризация с учетом стоимости для расширения стандартной функции потерь классификации, которая налагает разные штрафы в зависимости от степени расхождения между прогнозируемой и истинной степенью. Предварительное обучение проведено на наборе данных ImageNet для внедрения переноса обучения, а полносвязный слой с функцией активации Softmax обеспечивает лучшую производительность модели. Эксперименты на двух наборах данных показали, что модель улучшает взвешенный коэффициент каппа примерно на 5%, а AUC — примерно на 3% по сравнению с последними исследованиями. Введение регуляризации с учетом стоимости в модель EfficientNet позволяет повысить точность классификации диабетической ретинопатии и достичь хороших показателей модели.

диабетическая ретинопатия;глубокое обучение;регуляризация с учетом стоимости;сверточные нейронные сети;классификация изображений