基于深度学习的糖尿病视网膜分类方法研究

发布时间：2021-12-10 07:53

　　目的:利用深度学习的方法对糖尿病视网膜分类方法进行研究。方法:采用深度学习的方法,输入视网膜眼底图像特征和选择分类模型,从而决定最终的视网膜眼底分类效果。针对不同病变时期的糖尿病性病变视网膜类间差别小,特征分类困难的问题,提出利用基于迁移学习的Xception模型来解决病变视网膜分类的方法,该方法摒弃了传统分类方法中的直接对数据集进行训练的缺点,采用特殊的图像预处理方法,通过迁移学习结合优秀的分类模型来解决分类难问题。结果:研究结果表明,在预处理后的数据集上,训练得到的模型在测试集上准确率达到了92.8%,取得了良好的训练效果。结论:视网膜眼底图像作为眼部病症的重要判断依据,蕴藏着大量的病症信息,不但可以节省经验丰富的眼科医生的诊断时间,还可解决医疗资源分布不均的问题。 

【文章来源】：中国医学装备. 2020,17(10)

【文章页数】：5 页

【部分图文】：

迁移学习理论图

采用特殊的特征增强方法，处理原理即用原图减去高斯模糊(Gaussian Blur)图，得到两图差异，再用Gaussian Blur算法得到最终特征增强后的图像。图像特征增强原理效果见图2。结果图像中出血点和硬性渗出物[7-10]特征变得清晰可见，微动脉瘤特征被放大，分类模型可以最大化的学习到有用特征，以帮助模型得到更好的训练结果。

IDRi D数据集和Eye PACS数据集自身内部分级的图像数量偏差较大，需要采用不同程度的平移、翻转及旋转等数据增强的方法对数据集进行扩充，扩充后的数据集再经过按比例的抽取图像，利用由Python编写的开源人工神经网络库keras，通过图像数据生成器(image data generator)Python中指定路径写入标签路径的方法(datagen.flow＿from＿directory)相结合，达到各级图像数量相对均等的目的，从有偏数据集转变为无偏数据集。经过数据增强操作的数据见图1。1.3 特征增强

【参考文献】：
期刊论文
[1]基于深度学习的眼底图像出血点检测方法[J]. 孟凡奎,银温社,贺建峰.  山东大学学报(理学版). 2020(09)
[2]基于仿真SAR图像深度迁移学习的自动目标识别[J]. 王泽隆,徐向辉,张雷.  中国科学院大学学报. 2020(04)
[3]人工智能在眼部疾病中的应用及其挑战[J]. 肖璐璐,窦晓燕.  国际眼科杂志. 2020(07)
[4]糖尿病视网膜病变的分类、发生机制及治疗进展[J]. 何媛,周涛,苏婷,李海涛,张海林.  山东医药. 2020(19)
[5]基于深度迁移学习的酿酒葡萄种植信息提取[J]. 宋晓倩,张学艺,张春梅,李万春.  江苏农业学报. 2020(03)
[6]基于集成迁移学习的细粒度图像分类算法[J]. 吴建,许镜,丁韬.  重庆邮电大学学报(自然科学版). 2020(03)
[7]基于迁移学习的VGG-16网络芯片图像分类[J]. 马俊,张荣福,郭天茹,张喆嫣,李卿,王蓉,李子莹.  光学仪器. 2020(03)
[8]基于深度学习的肺肿瘤图像分割研究[J]. 刘雅熙,钟建军,孙玉玺,彭浩超.  计算机产品与流通. 2020(07)
[9]基于Inception-ResNet-V2的乳腺癌病理图像识别研究[J]. 刘靖雯,黄理灿.  软件导刊. 2020(05)
[10]人工智能深度学习在心血管影像诊断中的研究进展[J]. 张佳,孙凯.  中国医学装备. 2020(04)

硕士论文
[1]基于深度学习的医学影像分割技术研究[D]. 陈俊江.电子科技大学 2020



本文编号：3532194