基于机器学习的糖尿病性视网膜病变图像分级研究

发布时间：2021-07-10 11:51

　　近几年以来,随着人工智能技术的日益成熟,深度学习技术被广泛的应用到人们的日常生活中。其中人工智能与医疗领域的结合成为了研究人员关注的重点,利用人工智能手段帮助医生进行诊断是智能医疗的重要分支。视网膜眼底图作为诊断眼部疾病的重要判断依据,蕴含着许多细微的病症信息,对图片进行准确的分析可以使患者得到及时的救治。利用人工智能手段分析图象不但可以节省培养一位经验丰富的眼科医生所需耗费的大量时间和精力,还可以减轻医患数量不匹配等问题,是一项十分有意义的课题。本文提出了基于机器学习算法的针对糖尿病性视网膜病变图像的分级方法。设计并实现了针对不同容量和不同数据源的两个数据集的眼底图像库的模型分类算法。通过引入分割算法中的形态学从处理方法,改进了小数据集下分类模型的训练效果。利用支持向量机和集成学习的方法对小数据集进行训练。将迁移学习提取的特征运用支持向量机进行训练,实现了神经网络与传统机器学习方法的结合。通过在卷积神经网络模型中引入RMSProp优化算法,解决有偏大数据集的眼底图分级问题。实验内容将针对小数据集分别进行支持向量机和迁移网络的学习训练,并辅以集成学习模型进行补充实验。对于较大的数据集采... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图１－３糖尿病性视网膜病变２Ｄ彩色眼底图??其中微动脉瘤是血液中的微小突起以深红色点的样子呈现并在图像中表现??

向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）是一种有监督学习算数据进行二元分类的广义的线性分类器，于１９６４年由Ｃｏｒｔｅｓ先提出。运用支持向量机算法，不但可以解决相对传统的线性分可以通过将在现有平面无法良好分类的数据映射到更高的层面可分的数据可以处于两个平行的超平面上，从而实现特征的二支持向量机方法来说，学习的目的是找寻特征空间中的一个分离而将所有的特征进行二分类。超平面的找寻可以通过方程式（２－ａＴｘ?＋?ｂ?＝?０?（２－１程式（２－１）可以看到满足的解并不唯一。说明当运用支持向，常常不只有唯一一个可将正负样本分割的平面。然而要使模训练集上进行良好的划分，而且针对训练集所属的问题本身提进行更好的分类，就需要找寻同时距离两类最远的间隔平面，。??

简化网络计算复杂度，在全连接层再将现有特征整合降维进行高度提纯??将网络学习到的特征映射到样本的标记空间中，方便之后的分类操作。其卷积核??的工作原理如公式（２－２）和下图２－２所示。??ＺＭ（ｉ，ｊ）?＝?［Ｚ，＾ｗ＇］（ｉ，ｊ）?＋?ｂ?（２－２）??公式（２－２）中代表着卷积神经网络中的第／层的输入和输出特征，??Ｖ为这一层的卷积核，６为偏差量。??丨．．１…１…汁１＿?１?Ｉ?？?：?——＾??：－１?０?－３?！?０?１?１?０?０?０?－２?－１??２?１１－１０?０?０?０?細呻丨．?２２４??０－１１２１?００－１?－１００??１２?１１２??输入特征?卷积核?卷积特征??图２－２二維卷积简易示意图??图２－２中所显示了卷积神经网络利用感受野的概念，将输入特征通过与卷积??核进行卷积计算从而实现高阶特征的提取工作。??近年来卷积神经网络随着深度学习算法在各个领域研究的加深而逐渐发展??起来，因为其在图像分类等方面出色的表现而成为一种引起广泛重视的一种高效??识别方法。其高效的主要原因是卷积神经网络采用的是部分连接的方式来提取局??部特征的，它的人工神经元可以响应一部分覆盖范围内的周围单元，这是卷积神??经网络比起其他的多层神经网络的不同之处。??对与卷积神经网络而言，数据的特征检测层和对数据的训练是同时进行学习??１０??

【参考文献】：
期刊论文
[1]糖尿病视网膜病变眼底图像分类方法[J]. 梁平,熊彪,冯娟娟,廖瑞端,汪天富,刘维湘.  深圳大学学报(理工版). 2017(03)
[2]基于分类回归树和AdaBoost的眼底图像视网膜血管分割[J]. 朱承璋,向遥,邹北骥,高旭,梁毅雄,毕佳.  计算机辅助设计与图形学学报. 2014(03)
[3]阈值分割在糖尿病性视网膜病变早期诊断中的应用[J]. 齐全,赵庆展,李曼青.  青岛大学学报(自然科学版). 2011(02)

硕士论文
[1]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：3275863