基于ResNet的眼底图像分类及描述

发布时间：2020-09-30 13:31

　　糖尿病引发的视网膜病变因其早期病症不显著,晚期不能根治,一直是困扰眼科医学难点问题。临床实践证明,此类疾病的早期发现,对于疾病的控制和治疗有着十分重要的意义。不同领域科研工作者从不同角度在这个领域开展相关研究工作,其中,将人工智能和机器学习技术应用于眼底病变的早期发现,是这一领域的一个重要研究方向。近年来,以神经网络为核心的深度学习发展迅速,特别在图像和语音识别领域表现出了卓越的性能,并且成功应用于医学图像诊断领域。本文开展了基于残差神经网络(Residual Networks,ResNets)眼底视网膜病变图像识辨和病症自动描述研究,主要研究内容如下:1)开展样本生成、图像增强方法研究,以克服样本不充分,分布不均衡等问题,从而有效的提高了神经网络的学习质量。2)提出了基于ResNet(残差神经网络)对眼底图像进行分类方法,针对卷积神经网络在训练过程中,随深度增加学习率出现饱和甚至下降等问题,采用残差神经网络代替传统的卷积神经网络,通过残差学习来解决退化问题,并且修改残差网最后一层进行分类,达到将病变分类的目的。3)提出了基于ResNet-LSTM模型的眼底图像标注和理解方法。模型分两层,底层为ResNet,用于图像特征提取,上层为LSTM,将ResNet输出的特征进行处理,最终输出关于该图像的描述信息。
【学位单位】：山东工商学院
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R774.1;TP391.41
【部分图文】：

糖尿病视网膜病变,糖尿病患者,辅助筛,眼科手术

色病变”[2]。鉴于这个原因，糖尿病视网膜病变非增殖期的诊断和治疗显要。病变的早期阶段，糖尿病视网膜病变在临床上没有明显症状。最近研究显糖尿病患者住院后仍无法确诊是否患有糖尿病视网膜病变。为了防止这种般方法是对糖尿病患者进行定期眼底筛查，以验证视网膜病变是否存在动筛查方式耗时耗力，不确定性较大，随着图像识别技术的不断进步，采技术对眼底病变进行辅助筛查，已成为发展趋势。究背景及意义权威机构研究预测，2030 年全球糖尿病患者将由 2000 年的 2.8％增加其中，约有 5％的糖尿病患者患有糖尿病视网膜病变。在我国目前眼科医 2.7 万人，有能力开展眼科手术的不足 4000 人，住在医疗资源相对缺乏的远地区的眼病患者，由于无法及时得到有效的诊断治疗，导致视力严重下甚至致盲[3]。

示意图,识别分类,筛查

在许多不足之处：首先某些眼科医师专业水平村和社区病院难以开展综合医疗服务，很难完治疗；在眼病治疗之后难以开展眼底病变的监远的眼底病变患者来说，与眼科医院中的专业，存在很多不便和困难，医生和眼病患者对这诊断眼底病变[4]的方法可以显著减少病变筛查机较高的准确性，能确保更有效地分析大量病分类系统的示意图。采用图像识别系统可以实个过程。现阶段糖尿病无法实现大规模的筛查系统来协助医生实现大规模高效率的诊断筛查测，病患信息的整理归纳。构建计算机辅助诊来说，除了可以帮助病患实现大规模筛查诊断治疗时机，并有效控制糖尿病视网膜病变引发

网球,图像,中位,模型

度学习的本质简单，主要是数据和模型，两者解深度学习模型和与一般机器学习模型的不同，学习的重要性，并且直接影响到深度学习模型的分类任务也会存在一个难题，由于分类对象的不本数目并不均衡，本文所研究的分类问题缺乏令习模型中。因此，为了达到满意的精度，本文通据集。增强处理本对模型训练的重要，通过模型的训练学习，充大量的图像才能满足模型训练，因初始的神经智能。如图 2.1，对于三幅图中同一个网球，但是训练的神经网络对于图像内容的理解是不同的。

【相似文献】