一种XNet-CNN糖尿病视网膜图像分类方法

发布时间：2021-04-16 21:28

　　本文针对传统的视网膜图像处理过程繁琐、鲁棒性差的缺点,提出设计了一种基于深度卷积神经网络（Convolutional Neural Network,CNN）的视网膜图像自动识别系统。首先,对图像预处理包括去除噪声、数值归一化、数据量扩增;然后,设计提出了一种新的神经网络模型——XNet,XNet中和了LeNet和Inception网络的深度,网络参数根据训练样本进行适应性调整;最后,针对不同的网络结构进行了准确率和迭代次数的比较。实验结果表明,XNet网络的结构要优于LeNet和Inception,准确率可以达到91%;并通过实验证实了数据扩增的必要性。 

【文章来源】：哈尔滨理工大学学报. 2020,25(01)北大核心

【文章页数】：7 页

【部分图文】：

XNet网络结构

本文使用的数据是高分辨率 RGB图像,其分辨率约为3000×2500。根据视网膜病变程度将图像分为4 类,如图 3所示。第 0 类对应的是没有病变的视网膜图像,第 1 类对应的是有轻微DR,第2 类对应的是有严重DR,第 3类则是未知眼科病变,数量如表 1 所示,可以认为,分类数量分布十分不平衡,第 0 类样本约是第 4 类样本的6倍。图3 视网膜图像示例

图2 算法流程图表1 数据集分类表Tab.1 Data set classification 类别编号 病变程度 图像数 0 未患病 10 039 1 轻微糖尿病性视网膜 2 198 2 严重糖尿病性视网膜 1 931 3 未知眼科疾病 1 736

【参考文献】：
期刊论文
[1]基于高光谱和卷积神经网络的鲜枣黑斑病检测[J]. 孙海霞,张淑娟,刘蒋龙,陈彩虹,李成吉,邢书海.  山西农业大学学报(自然科学版). 2018(11)
[2]卷积神经网络综述[J]. 刘健,袁谦,吴广,喻晓.  计算机时代. 2018(11)
[3]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗.  中国农业大学学报. 2018(11)
[4]基于多任务CNN的监控视频中异常行人快速检测[J]. 李俊杰,刘成林,朱明.  计算机系统应用. 2018(11)
[5]一种新的卷积神经网络的ECT图像重建算法[J]. 李兰英,孔银,陈德运.  哈尔滨理工大学学报. 2017(04)
[6]糖尿病性视网膜病变相关研究[J]. 贾淑琴,霍建新.  包头医学院学报. 2014(04)

博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017

硕士论文
[1]基于深度卷积神经网络的飞行器图像识别算法研究[D]. 程嘉晖.浙江大学 2017
[2]基于卷积神经网络的人脸年龄估计算法[D]. 周旺.南京大学 2017
[3]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[4]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[5]基于深度学习的糖尿病性视网膜图像分析算法研究[D]. 丁蓬莉.北京交通大学 2017
[6]糖尿病视网膜病变图像的渗出物自动检测算法研究[D]. 陈向.哈尔滨工业大学 2012



本文编号：3142205