基于卷积神经网络UNet构建糖尿病性黄斑水肿自动识别模型

发布时间：2021-01-16 07:02

　　目的通过卷积神经网络UNet构建光学相干断层扫描（optical coherence tomography,OCT）图像中糖尿病性黄斑水肿的自动识别模型,并通过相关指标判断其价值。方法利用开源的OCT数据集2014_BOE_Srinivasan和OCT2017训练卷积神经网络UNet模型,并结合我院2018年1月至2019年5月的60例糖尿病性黄斑水肿患者的OCT检查影像结果共同组成数据集来验证模型。最后通过该模型的损失函数变化和精确度变化,以及绘制受试者工作特征曲线来评价模型。结果卷积神经网络UNet对单张图像的处理时间在75 ms左右。且损失函数变化图显示当模型训练到一定程度后,损失数值逐渐趋于收敛。验证集的精确度变化图显示精确度可以达到0.9左右,并且随着训练次数的不断增加,精确度逐渐趋于稳定。最后根据测试结果绘制了受试者工作特征曲线,其曲线下面积达到0.902,提示该模型具有较高诊断能力。结论利用卷积神经网络UNet可以准确快速地分割出糖尿病性黄斑水肿区域,有望辅助临床医师的诊断与治疗。 

【文章来源】：眼科新进展. 2020,40(04)北大核心

【文章页数】：5 页

【部分图文】：

卷积神经网络UNet结构示意图

本研究中所有的测试样本均转换为单张尺寸大小为948×480,位深度为24的图像,然后进行了IRC的识别和分割测量,平均单张处理时间在75 ms左右。对测试样本识别的示例图片见图2。2.2 损失函数变化和精确度变化

利用卷积神经网络UNet对验证集进行自动识别分割时,基于病变区域像素面积计算并绘制了损失函数变化图和精确度变化图。训练集中的损失函数变化趋势和验证集中的精确度变化趋势见图3。在模型训练过程的前500次的迭代中损失数值下降速度非常快,到达1000次迭代后损失函数变化曲线趋于平缓,表明已逐渐收敛。当验证集中的迭代次数到达1000次后,验证集的精确度即可以达到0.9左右,并且随着迭代次数的不断增加,精确度逐渐趋于稳定。2.3 对病变区域识别能力的ROC分析

【参考文献】：
期刊论文
[1]糖尿病视网膜病变黄斑水肿的临床分析[J]. 张美霞,杨兰芬,罗成仁,严密,孟丹,沈齐,杜彩凤.  中华眼底病杂志. 2003(02)



本文编号：2980373