研究目的:使用深度學(xué)習(xí)中的遷移學(xué)習(xí)訓(xùn)練模型以分類多模式和多類別的視網(wǎng)膜圖片,從而達(dá)到視網(wǎng)膜疾病診斷和分類的目的。研究方法:使用遷移學(xué)習(xí)方法訓(xùn)練在大量圖片上進(jìn)行預(yù)訓(xùn)練過的深度卷積神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練的數(shù)據(jù)集包含14057張分為20個類別的視網(wǎng)膜圖像,圖像的檢查方式包括5種不同類型,分別來自蔡司FF450^plus和超廣角掃描激光檢眼鏡兩種設(shè)備的檢查。研究結(jié)果:我們的模型在驗(yàn)證集和測試集上達(dá)到了高水平的性能,在驗(yàn)證集上靈敏度為94.8%,特異性為100%,曲線下面積為0.99,在測試集上靈敏度為90.5%,特異性為100%,曲線下面積為0.99。在MESSIDOR數(shù)據(jù)集上,敏感性為62.3%,特異性為100%。在E-Ophtha數(shù)據(jù)集上,敏感性為70.8%,特異性為100%。結(jié)論:這項(xiàng)研究表明,通過使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí),可以訓(xùn)練模型來分類多模式和多類別的視網(wǎng)膜圖像。圖像之間較大的差異不會降低模型的性能,相反,可能有助于病灶的特征展示并減少模型對于數(shù)據(jù)量的依賴和模型的過度擬合。盡管我們的數(shù)據(jù)集相對較小,我們的模型在驗(yàn)證集和測試集上表現(xiàn)出了高水平的性能。可能的原因包括... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：35 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
縮略語/符號說明
第一章 概論
    1.1 人工智能在圖像識別領(lǐng)域中的發(fā)展歷程
        1.1.1 生物視覺的研究進(jìn)展
        1.1.2 計算機(jī)視覺的發(fā)展
        1.1.3 機(jī)器學(xué)習(xí)的發(fā)展
        1.1.4 人工智能在醫(yī)療領(lǐng)域的現(xiàn)狀及存在問題
    1.2 深度學(xué)習(xí)在眼底病中的應(yīng)用
        1.2.1 深度學(xué)習(xí)在糖尿病視網(wǎng)膜病變中的應(yīng)用
        1.2.2 深度學(xué)習(xí)在青光眼中的應(yīng)用
        1.2.3 深度學(xué)習(xí)在年齡相關(guān)性黃斑變性中的應(yīng)用
        1.2.4 深度學(xué)習(xí)在其他眼病中的應(yīng)用
    參考文獻(xiàn)
第二章 使用深度卷積神經(jīng)網(wǎng)絡(luò)對多模式和多類別的視網(wǎng)膜圖像進(jìn)行分類:一種遷移學(xué)習(xí)方法
    2.1 緒論
    2.2 資料
    2.3 方法
        2.3.1 預(yù)處理
        2.3.2 訓(xùn)練
        2.3.3 評估方法
    2.4 結(jié)果
    2.5 討論
    2.6 結(jié)論
    2.7 主要工作與創(chuàng)新點(diǎn)
    2.8 后續(xù)研究工作
    參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)



本文編號：3022268