基于机器学习的视网膜图像识别模型设计

发布时间：2021-08-31 12:23

　　早产儿视网膜病变是小儿致盲的主要原因之一,发病率在我国呈持续上升的趋势。人工诊断存在费时费力,依靠医生经验等不足。针对此,提出了基于机器学习的视网膜图像识别模型,首先基于原始图像,借助图像处理、传统机器学习方法和对抗生成网络技术得到生成图像,然后基于这些图像和原始图像,提取其特征,最后对级联后的特征进行分类。该模型有望为早产儿视网膜病变的自动筛查系统提供技术支持。 

【文章来源】：电脑知识与技术. 2020,16(27)

【文章页数】：2 页

【部分图文】：

正常的视网膜眼底图像（左）和病变的视网膜眼底图像（右）

ROP图像自动识别模型为有监督学习结构，需要有标注好的数据对网络进行训练和测试。首先明确ROP发生部位的分区：I区是以视盘为中心，视盘中心距黄斑中心凹距离2倍为半径的圆形区域。Ⅱ区以I区以外，以视盘为心，视盘至鼻侧锯齿缘的距离为半径的环形区域。Ⅲ区：除I区和Ⅱ区外剩余的月牙形区域。其次，明确ROP病变分期，ROP病变根据不同的程度可以分为5期。1期表现为周边无血管区与后极部视网膜血管末梢之间出现分界线；2期表现为嵴期分界线增宽、增高，呈嵴状隆起；3期表现为新生血管形成并长入嵴上；4期表现为视网膜部分脱离；5期表现为视网膜全脱离。根据这些信息，需要眼科专家将早产儿视网膜图像标注为正常、1期、2期、3期、4期和5期等类别。如果出现争议，则需要讨论。若讨论后仍未达成一致，则丢弃此图像。对于标注好的图像，使用基于图像处理方法、传统机器学习算法和对抗生成网络模型生成对应的生成图像。设计卷积神经网络，分别提取基于原始样本和生成样本的特征，将这些特征级联后，送到分类器中识别分类，然后送到分类器中自动识别分类，模型如图2所示。每设计一个生成模型，就予以实验验证，并借助实验结果对其进行充分的验证，从而保证整个课题研究最终的成功。将原始图像和生成图像按照多种占比结合，比如0比1或者1比0等。将标注好的数据随机按照不同比例分成三部分：第一部分占总量的80%，用于网络的训练；第二部分占10%，用于网络的验证；第三部分占10%，用于网络的测试，该比例可在一定范围内进行调整。不断调整网络参数，如隐藏层的层数、学习率、batch大小等，其中学习率将使用指数衰减学习率，即先使用较大的学习率来快速得到一个比较优的解，然后逐步减少学习率，使得模型在训练后期更加稳定。利用验证数据，对训练的网络进行验证，并根据验证结果对网络中的参数做进一步优化。利用测试数据，对网络进行测试，测试网络进行识别的准确性，尤其是使用交叉验证法以充分评估构建网络的性能。


本文编号：3374891