微動脈瘤是糖尿病視網膜病變的初期癥狀，消除該病灶可在早期非常有效地預防糖尿病視網膜病變。但由于視網膜結構復雜，同時眼底圖像的成像由于患者、環境、采集設備等因素的不同會存在不同的亮度和對比度，現有的微動脈瘤檢測算法難以實現該病灶的精確檢測和定位，為此本文提出嵌入SENet（squeeze-and-excitation networks）的改進YOLO（you only look once）v4自動檢測算法。該算法在YOLOv4網絡基礎上，首先通過使用一種改進的快速模糊C均值聚類算法對目標樣本進行先驗框參數優化，以提高先驗框與特征圖的匹配度；然后，在主干網絡嵌入SENet模塊，通過強化關鍵信息，抑制背景信息，提高微動脈瘤的置信度；此外，還在網絡頸部增加空間金字塔池化結構以增強主干網絡輸出特征的接受域，從而有助于分離出重要的上下文信息；最后，在Kaggle數據集上進行模型驗證，并與其他方法進行對比。實驗結果表明，與其他各種結構的YOLOv4網絡模型相比，所提出的嵌入SENet的改進YOLOv4網絡模型能顯著提高檢測結果（與原始YOLOv4相比F-score提升了12.68%）；與其他網絡模型以及方法相比，所提出的嵌入SENet的改進YOLOv4網絡模型的自動檢測精度明顯更優，且可實現精準定位。故本文所提出的嵌入SENet的改進YOLOv4算法性能較優，能準確、有效地檢測并定位出眼底圖像中的微動脈瘤。
