基于SE-Block的视网膜疾病分类方法研究

发布时间：2021-12-02 06:28

　　视网膜疾病,特别是糖尿病性视网膜病变（DR）和年龄相关性黄斑变性（AMD）仍然是导致视力低下甚至失明的主要原因。如果能够在早期识别视网膜疾病的体征和症状并予以针对性的药物治疗,则可以预防视力的丧失,甚至治愈。然而,全球每年会有上亿人患上视网膜疾病,面对大量且复杂的诊断工作,需要大量专业且有经验的眼科医师。但一些不发达的地区并不存在优良的医疗环境。近年来,采用深度学习帮助医疗人员分析并处理医疗数据以治疗疾病的方法层出不穷。其中,卷积神经网络（CNN）在医学图像分析中的应用最为广泛。卷积神经网络（CNN）与先前用于图像分类的传统算法相比,不仅能够自动的提取图像中的特征,而且提升了效果与速度。这些优点使它在图像分类领域成为了新的研究重点。因此,将深度学习中的卷积神经网络应用于视网膜疾病的辅助诊断具有一定的研究意义。本文对视网膜相关疾病和卷积神经网络（CNN）均进行了深入的研究。主要基于开源的视网膜OCT图像数据集,在四分类任务（CNV、DRUSEN、DME和NORMAL）上提出了一种对视网膜疾病进行分类的卷积网络模型。目的是达到专业眼科医师的判断水准,从而辅助医生诊断视网膜疾病。本文大致工作... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图像分类过程

第 2 章 相关工作些分类器算法包括：决策树、支持向量机、朴素）等。下面分别进行具体的介绍。树算法见的机器学习算法之一，决策树（decision tree）使用最广泛的方法之一，可以解决分类或回归问习训练时数据的决策规则预测目标的值或类，基决问题。其中节点代表选择属性并提出问题的地点代表实际的输出或类别标签。决策树用于具有决策，如下图 2.2 所示。

图 2.3 ID3 算法的大致流程算法引入信息增益来度量每个属性对于数据计划分的好坏程度。首先基于度量值最大的属性划分全部数据集。然后，每次都选择剩余属性中信息增益最大的对剩余数据进行不断的划分，直到将数据完全分类或属性用完。ID3 算法只能为离散型属性的数据集进行决策树的构造，而且倾向于选择多值属性。针对这些问题，Quinlan 基于 ID3 提出了 C4.5 算法。C4.5 算法[35]的流程跟 ID3 一样，但采用信息增益率代替信息增益来度量划分的准则，可以对连续型属性进行建模而且更倾向于选择少值属性。而且，构造时采用剪枝法防止树高度的无限增高，规避了过拟合。（2）支持向量机支持向量机[36]（SVM）也是一种监督学习算法，主要用于分类问题，并且非常适用于图像分类领域。SVM 根据特征数目建立 n 维特征空间，并根据数据在每个特征下的值取相应的坐标。核心操作是在该特征空间下寻找最优的超平面对

【参考文献】：
期刊论文
[1]基于贝叶斯分类器的图像分类[J]. 董立岩,苑森淼,刘光远,贾书洪.  吉林大学学报(理学版). 2007(02)
[2]图像视觉特征综述[J]. 于昕梅,朱林.  广东通信技术. 2004(S1)



本文编号：3527906