基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

发布时间：2021-04-05 22:13

　　针对糖尿病视网膜病变（DR）图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络（Faster R-CNN）和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域（ROI）生成时采用在线困难样本挖掘（OHEM）方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。 

【文章来源】：计算机应用. 2020,40(08)北大核心CSCD

【文章页数】：5 页

【部分图文】：

易混淆的病灶和区域

子图分割结果

Faster R-CNN[13]的第一个模块是特征提取模块，而网络层数越多的特征提取网络能够提取到越多的不同层次（level）的特征，并且详细的目标特征有助于提高目标的识别率。为了提取糖网眼底图像样本中更加本质的特征，本文采用更深层次的网络ResNet101。它的核心在于残差学习模块，如图4所示，假设该网络的原始输入为x，期望输出是H(x)，即可将原始的映射关系转换为F(x)=H(x)-x。He等[14]通过实验证明了ResNet能有效地促进网络的优化。图4 神经网络模块

【参考文献】：
期刊论文
[1]基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测[J]. 彭英辉,张东波,沈奔.  计算机应用. 2013(02)
[2]糖尿病视网膜病变的国际临床分类分析[J]. 陈喆,张士胜,朱惠敏.  国际眼科杂志. 2011(08)



本文编号：3120197