眼底图像的糖网病变分类研究与实现

发布时间：2020-06-29 14:20

【摘要】：在临床医学中,视网膜眼底图像是眼科医生用于诊断糖尿病视网膜病变(糖网病变)的主要依据。但由于人工诊断过程耗时耗力又严重依赖于诊断医生的专业能力,无法满足逐年上升的病患需求,导致不少病人得不到及时的诊断从而延误了最佳治疗时机。因此,眼底图像的糖网病变的自动分类的研究与实现,对于糖网病变的及时发现与治疗有着重要意义。本文主要针对于眼底数据集数据不平衡、眼底图像中病灶特征分布稀疏以及深度学习模型缺乏解释性问题,基于深度学习和主动学习等方法,研究并设计一个准确高效的糖网病变分类模型,本文的主要研究内容包括以下三个方面:1.针对眼底数据集类别间数据量极不平衡的问题,提出了基于多任务网络的改进的AIFT(active,incremental fine-tuning)算法,对AIFT算法中的主动筛选样本、噪声样本清除和持续微调方法进行改进。实验证明,改进的算法与AIFT算法相比可以节省20%的训练时间,与随机选择增量训练样本相比可以减少40%训练时间。2.针对眼底图像中病灶特征分布稀疏、传统深度学习模型可解释性低的问题,提出了基于病灶检测的糖网病变分类模型。首先,基于图像切片对眼底图像中关键病灶(出血、渗出和微动脉瘤)进行检测,提高了模型的可解释性。其次,结合病灶检测结果对多任务网络的结果进行修正。实验证明该模型准确率达到了79%,敏感度达到了68%。3.设计并实现了糖网病变分类系统,对患者的糖网病变病情进行自动诊断与管理,并将患者相应的病情诊断级别和病灶检测结果进行可视化呈现。在实际临床测试中,本系统体现出了较高的实用价值。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R587.2;R774.1;TP391.41
【图文】：

网络结构图,网络结构

Inception 模块。(a)Inception-resnet-B；(b)Inception-resnet-B；(c)InceseNet近几年卷积神经网络（CNN）取得的出色成绩，深度学习得出现了如 GoogleNet，VGGNet，ResNet 等用于计算机视觉出的卷积神经网络模型。然而在卷积神经网络中，随着网络过程中网络的前传信号和梯度信号会在经过多层后逐渐消失个问题，提出了很多很好的构思，例如在 Highway 和 ResN提出了一种数据旁路（skip-layer）的技术来实现输入层和输流通，这种方法的核心思想是通过创建跨层连接来实现网基于这种思路，高煌等人[11]设计了一种全新的网络不同层-10 所示，高煌等人通过将网络中的所有层两两连接，实现信息流的最大化，因此网络中的每个层都会接受其前面的的输入，这样该网络就具有大量的密集连接，因此作者将该

算法流程,均方误差,回归预测,样本

首先，糖网病变是一个五分类任务，由于病变级别间存在连续性，使用信息熵来度量预测结果的差异性存在一定问题，因此在主动筛选候选样本时的选择标准需要进行改进，同样，噪声样本的剔除方法也需要针对多分类任务进行优化；其次，对于类似眼底图像数据集这种极不平衡的数据级来说，仅通过候选样本筛选方法自主优化数据平衡问题的效果不佳；最后，在 AIFT 算法中并没有对网络模型多次的微调时很容易造成模型的灾难性遗忘问题进行解决。由于病变级别间存在连续性，但对计算交叉熵的分类网络来说，将 4 级病变错分至 0 级或 3 级相同，为了对此进行优化，本章在 Inception-Resnet 中添加了基于 MSE（均方误差）的回归预测任务，得到了一个多任务模型。在模型中均方误差考虑了错误预测与真实标签之间的差异程度，但是均方误差的引入同时也导致了对新模型的优化会比通常的分类更难。因此，本章在多任务网络的基础上对于AIFT 算法进行改进，改进后的 AIFT 算法的流程如图 3-7 所示，通过基于回归预测的候选样本主动筛选、基于 K 值的噪声样本清洗和基于蒸馏损失的模型微调来对 AIFT 算法进行改进，以期提高训练效率，减少训练时间。

【相似文献】