糖尿病视网膜病变是糖尿病患者身上常见的一种眼部并发症,目前已经是劳动人口中的主要致盲因素。临床实践表明,及时地诊断和治疗糖尿病性视网膜病变可以极大地降低患者丧失视力的风险,因此在糖尿病患者中定期开展糖尿病性视网膜病变筛查工作具有非常重要的现实意义。而针对当前医患供需关系极度不平衡的现状,利用计算机辅助诊断技术来提高眼科医生的诊断效率是十分有效的解决方案。本文对基于深度学习的糖尿病性视网膜病变图像分类方法开展研究,针对深度模型缺乏可解释性以及图像级标签训练网络存在关注偏差等问题,重点探究如何解释糖尿病性视网膜病变分类模型的决策过程以及如何引入病灶精标信息以提升网络的分类性能以及其可解释性。本文的主要内容和创新点分为如下几点:(1)针对用于医学图像分析的深度网络缺乏可解释性的问题,提出了一种基于导向反向传播的逐像素梯度加权类激活映射的可视化手段。该方法以导向反向传播获取的类梯度作为权值,将待观察模块输出的特征图在通道方向上进行加权求和,生成可以描述决策贡献度空间分布的类激活图。该方法可以对网络的任意卷积层进行有效处理,帮助完成对分类网络内部决策过程的逐层分析。因此该算法也可以通过底层模块生成更精细的类激活图,帮助完成对决策依据中微小病灶的精准定位。(2)针对仅由图像级标签数据集训练的分类网络会存在关注点偏差的问题,提出了一种联合糖尿病性视网膜病变分类分支与病灶分割分支的多任务学习框架。该框架在结构上高度对称,其以Dense Net作为分类分支,并以改进的FcDense Net作为分割分支,利用底层特征提取网络参数共享的方式,完成像素级病灶分割知识的引入。实验表明该方法可以有效的提升分类网络的性能并改善其可解释性。而且通过可视化分析可以发现由于额外知识的引入,网络更加集中且全面地关注于用于决策的病灶。(3)针对上述多任务学习框架属于隐式引入像素级病灶分割信息的特点,提出了一种基于类激活图监督的糖尿病性视网膜病变分类算法。该方法不需要搭建额外的网络架构,而是利用病灶分割图在训练中对分类网络的类激活图进行直接监督。实验表明该方法可以取得与上述隐式知识引入方法相当的网络性能提升,而且前者相比后者使得网络对决策病灶的关注更加集中和全面。(4)针对上述类激活图监督算法仅关注深度网络中的线性分量的缺陷,提出了一种基于正向遮挡差异监督的分类算法。该方法首先将精标病灶图像作为掩膜对原始图像进行遮挡,然后将遮挡前后的图像分别送入网络,最后要求其输出结果相互逼近即可完成对非线性的深度网络进行整体监督。实验证明该方法同样可以帮助模型提升分类准确率,使其关注点更集中于病灶,但是不能保证其关注点覆盖病灶的全面性。