摘要：由于视网膜病变的类间图像特征差别小及分类临界值相对模糊,自动分级算法存在识别与分级准确率低的问题,提出了融合高效通道注意力(Efficient Channel Attention,ECA)特征的ConvNeXt视网膜病变自动分级模型。针对数据集中数据不足的问题,采用水平翻转左右变换的方法扩充数据,并引入相关数据集来均衡数据的分布。针对眼底图像中出现的图像模糊、光照不均等问题,采用Graham方法对图像进行预处理突出病变特征。提出了融合注意力的ConvNeXt网络来辅助医生诊断视网膜病变,引入ECA机制,并设计了E-Block模块,该模块具有高性能、低参数的特性,能够在训练过程中有效捕捉跨通道交互的信息,同时避免降维。采用迁移学习方法训练网络的所有层参数,加入dropout方法避免ConvNeXt网络的学习能力过强导致的过拟合问题。实验结果表明,所提出的模型敏感性为95.20%,特异度为98.80%,准确率为95.21%。与常用的网络相比,本文方法针对视网膜病变自动分级各项性能指标均有提高。