深度学习在眼底疾病中的应用

发布时间：2021-02-07 13:06

　　研究目的:使用深度学习中的迁移学习训练模型以分类多模式和多类别的视网膜图片,从而达到视网膜疾病诊断和分类的目的。研究方法:使用迁移学习方法训练在大量图片上进行预训练过的深度卷积神经网络模型。训练的数据集包含14057张分为20个类别的视网膜图像,图像的检查方式包括5种不同类型,分别来自蔡司FF450^plus和超广角扫描激光检眼镜两种设备的检查。研究结果:我们的模型在验证集和测试集上达到了高水平的性能,在验证集上灵敏度为94.8%,特异性为100%,曲线下面积为0.99,在测试集上灵敏度为90.5%,特异性为100%,曲线下面积为0.99。在MESSIDOR数据集上,敏感性为62.3%,特异性为100%。在E-Ophtha数据集上,敏感性为70.8%,特异性为100%。结论:这项研究表明,通过使用卷积神经网络进行迁移学习,可以训练模型来分类多模式和多类别的视网膜图像。图像之间较大的差异不会降低模型的性能,相反,可能有助于病灶的特征展示并减少模型对于数据量的依赖和模型的过度拟合。尽管我们的数据集相对较小,我们的模型在验证集和测试集上表现出了高水平的性能。可能的原因包括... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：35 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
缩略语/符号说明
第一章 概论
    1.1 人工智能在图像识别领域中的发展历程
        1.1.1 生物视觉的研究进展
        1.1.2 计算机视觉的发展
        1.1.3 机器学习的发展
        1.1.4 人工智能在医疗领域的现状及存在问题
    1.2 深度学习在眼底病中的应用
        1.2.1 深度学习在糖尿病视网膜病变中的应用
        1.2.2 深度学习在青光眼中的应用
        1.2.3 深度学习在年龄相关性黄斑变性中的应用
        1.2.4 深度学习在其他眼病中的应用
    参考文献
第二章 使用深度卷积神经网络对多模式和多类别的视网膜图像进行分类:一种迁移学习方法
    2.1 绪论
    2.2 资料
    2.3 方法
        2.3.1 预处理
        2.3.2 训练
        2.3.3 评估方法
    2.4 结果
    2.5 讨论
    2.6 结论
    2.7 主要工作与创新点
    2.8 后续研究工作
    参考文献
致谢
攻读硕士学位期间已发表或录用的论文


【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)



本文编号：3022268