基于R-FCN算法的糖尿病眼底病变自动诊断

发布时间：2021-04-08 21:16

　　糖尿病眼底病变（Diabetic Retinopathy,DR）是糖尿病患者常见的致盲疾病,可使用深度学习算法对患者的糖尿病眼底图片进行图像识别,实现对糖尿病眼底病变的辅助诊断。针对以往普通卷积神经网络只能进行分类和输入尺寸固定的问题,提出了基于目标检测的区域全卷积网络（Region-based Fully Convolutional Networks,R-FCN）算法,实现同时对任意尺寸输入的糖尿病眼底图片的分类和病变区域检测。针对原始R-FCN算法对小目标（极小的出血点和血管瘤）检测困难的问题,对R-FCN算法做了一定的改进,加入特征金字塔网络（Feature Pyramid Networks,FPN）结构,升级主干网络,修改区域建议网络（Region Proposal Network,RPN）。实现结果表明,改进后的RFCN算法能以很高的正确率实现对糖尿病眼底图片的五级分类（健康、轻度、中度、重度、增殖）和病变区域检测（血管瘤、眼底出血、玻璃体出血）。 

【文章来源】：计算机工程与应用. 2020,56(04)北大核心CSCD

【文章页数】：6 页

【部分图文】：

轻度眼底图片预测结果

1 增殖眼底图片预测结果

如图1所示，R-FCN原型主要由以下几部分组成：（1）输入；（2）提取特征的主干网络ResNet[16](Residual Networks);(3)RPN网络；（4)RoI池化层；（5）非极大值抑制[17](Non Maximum Suppression,NMS）。原型R-FCN算法默认使用ResNet-101的全卷积神经网络[18]进行提取特征，去除ResNet-101原本的全连接层，保留100层卷积进行下采样，最后输出的卷积特征图分别送入RPN网络和RoI池化层。RPN网络，即区域建议网络，其功能是区分前景和背景，寻找目标的大概位置，输出目标候选框。然后，RPN输出的目标候选框和主干网络的卷积特征图同时作为RoI池化层的输入，生成位置敏感分数图（Position Sensitive Score Maps）以及位置敏感分数图上的RoI区域，池化后连接一个softmax分类层和边框回归层，对目标进行精确分类和边框回归。最后，使用NMS去除重叠度IoU较大的目标框，输出最终结果。


本文编号：3126290