多尺度深度CNN的糖尿病视网膜病变分类

发布时间：2022-01-11 06:31

　　为对视网膜图像的DR严重程度进行更准确的分类,分析图像分辨率、深浅层特征对分类效果的影响,提出一种多尺度ResNext网络模型。使用不同分辨率眼底图像交替作为输入层数据,采用加权融合深浅层特征作为全连接层分类的信息,使用迁移学习方法对网络模型参数进行初始化,避免发生过拟合问题。基于kaggle竞赛数据的验证结果表明,相对于传统模型,该模型方法可以更准确地对DR严重程度进行分类。 

【文章来源】：计算机工程与设计. 2020,41(11)北大核心

【文章页数】：6 页

【部分图文】：

空间金字塔池化

传统算法使用卷积神经网络对视网膜病理图像进行分类时，仅用高卷积层特征来训练全连接层网络。神经网络模型中不同特征层反应图像的不同特征信息，网络的浅层特征图分辨率高且局部视野小，可以提取到图像的纹理特征，实验结果表明细节性特征在一定程度上可以提高分类的精度[7]。网络的高层特征图分辨率低但具有高视野，从而可以提取到图像的语义特征信息。图像分类的准确度取决于特征的选取，本文充分利用不同层所表达的特征信息，采用融合多层特征的方式[8]，将深层特征与浅层特征进行融合，进一步挖掘出图像信息，从而提取到更丰富的纹理信息，同时针对图像的各种变化，又可以得到具有较好的鲁棒性的特征，实现特征的优势互补，以提高分类的准确率[9]。图2为网络不同卷积层特征，从图2中可以看出浅层特征图突出眼底图像的特征信息，深层特征图更突出语义信息。直接将不同层特征进行融合不能达到好的融合效果，因此基于不同特征层分类准确率的不同，本文将不同特征层根据分类准确率进行加权融合。结合FPN网络融合思想，由于不同层特征维度不同，所以采用最近邻方法将高层特征图进行上采样，使其与低层特征图有相同的维度。将网络模型中的卷积层划分为5部分，由于第一卷积层特征信息复杂，融合时不考虑融合该层特征。通过实验测试以得到不同层的分类准确率作为融合权重，通常情况下认为，准确率越高，说明该层特征有较高的分类信息，所以准确率越高该层的融合权重越大。加权融合方法如图3所示，其中每个卷积层提取出的特征图为Ci，准确率为ai，特征权重为wi+(i+1），其中i=2,3,4,5。

加权融合

【参考文献】：
期刊论文
[1]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞.  计算机辅助设计与图形学学报. 2019(01)
[2]基于多尺度特征融合的遥感图像场景分类[J]. 杨州,慕晓冬,王舒洋,马晨晖.  光学精密工程. 2018(12)
[3]糖尿病性视网膜图像的深度学习分类方法[J]. 李琼,柏正尧,刘莹芳.  中国图象图形学报. 2018(10)



本文编号：3582282