針對(duì)糖尿病視網(wǎng)膜病變（DR）圖像分辨率過大、病灶特征過于分散難以獲取以及正負(fù)難易樣本不平衡而導(dǎo)致DR分期精確率一直無法得到有效提高的問題,提出了改進(jìn)的基于快速區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）和子圖分割相結(jié)合的DR分期方法。首先,使用子圖分割解決視盤區(qū)域?qū)τ诓≡钭R(shí)別的干擾問題;其次,在特征提取階段使用深度殘差網(wǎng)絡(luò)以解決病灶在高分辨率眼底圖像中占比小而導(dǎo)致的特征難以獲取的問題;最后,在感興趣區(qū)域（ROI）生成時(shí)采用在線困難樣本挖掘（OHEM）方法解決正負(fù)難易樣本不平衡的問題。在國際公開數(shù)據(jù)集EyePACS進(jìn)行DR分期實(shí)驗(yàn),所提方法在DR病分期中精確率0期達(dá)到94.83%,1期達(dá)到86.84%,2期達(dá)到94.00%,3期達(dá)到87.21%,4期達(dá)到82.96%。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的Faster R-CNN能對(duì)DR圖像高效分期并自動(dòng)標(biāo)注出病灶。 

【文章來源】：計(jì)算機(jī)應(yīng)用. 2020,40(08)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

易混淆的病灶和區(qū)域

子圖分割結(jié)果

Faster R-CNN[13]的第一個(gè)模塊是特征提取模塊，而網(wǎng)絡(luò)層數(shù)越多的特征提取網(wǎng)絡(luò)能夠提取到越多的不同層次（level）的特征，并且詳細(xì)的目標(biāo)特征有助于提高目標(biāo)的識(shí)別率。為了提取糖網(wǎng)眼底圖像樣本中更加本質(zhì)的特征，本文采用更深層次的網(wǎng)絡(luò)ResNet101。它的核心在于殘差學(xué)習(xí)模塊，如圖4所示，假設(shè)該網(wǎng)絡(luò)的原始輸入為x，期望輸出是H(x)，即可將原始的映射關(guān)系轉(zhuǎn)換為F(x)=H(x)-x。He等[14]通過實(shí)驗(yàn)證明了ResNet能有效地促進(jìn)網(wǎng)絡(luò)的優(yōu)化。圖4 神經(jīng)網(wǎng)絡(luò)模塊

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度匹配濾波和集成學(xué)習(xí)的眼底圖像微脈瘤檢測(cè)[J]. 彭英輝,張東波,沈奔.  計(jì)算機(jī)應(yīng)用. 2013(02)
[2]糖尿病視網(wǎng)膜病變的國際臨床分類分析[J]. 陳喆,張士勝,朱惠敏.  國際眼科雜志. 2011(08)



本文編號(hào)：3120197