基于深度学习的眼底图像出血点检测方法

发布时间：2023-02-08 08:07

　　提出了一种基于卷积神经网络(convolutional neural networks, CNN)加条件随机场(conditional random fields, CRF)的眼底图像出血点检测方法。首先,为了避免图像背景区域对后续检测的影响,参考眼底图像中的灰度信息并根据眼底中心位置到其边缘的长度,将图像调整到合适的尺寸,再对图像进行线性加权增强其亮度和对比度;然后,用裁剪到的图像块在仿照VGG网络构建的CNN架构上去训练检测出血点的CNN模型;最后,为了克服CNN模型在出血点检测中误检、漏检等问题,采用CRF对CNN模型输出的概率图进行后处理,以实现眼底图像出血点的精确检测。提出的检测方法在公开的Kaggle与Messidor数据库上进行训练和验证,获得了98.8%的准确率、99.4%的召回率和99.1%的F-score。另外,在DIARETDB1数据库上测试的灵敏度达到98.5%,F-score为96.1%。实验结果表明,从图像视觉和定量检测2个方面均说明了提出方法的有效性和优越性。

【文章页数】：10 页

【文章目录】：
0 引言
1 材料与方法
    1.1 数据描述
    1.2 图像预处理
    1.3 数据扩充
    1.4 网络结构
        1.4.1 CNN结构设计
        1.4.2 CRF处理数据
2 实验及结果分析
    2.1 实验评价标准
    2.2 实验分析
        2.2.1 CNN模型训练
        2.2.2 出血点检测评估
3 讨论
4 总结



本文编号：3737635