糖尿病眼底病變（Diabetic Retinopathy,DR）是糖尿病患者常見的致盲疾病,可使用深度學習算法對患者的糖尿病眼底圖片進行圖像識別,實現(xiàn)對糖尿病眼底病變的輔助診斷。針對以往普通卷積神經(jīng)網(wǎng)絡(luò)只能進行分類和輸入尺寸固定的問題,提出了基于目標檢測的區(qū)域全卷積網(wǎng)絡(luò)（Region-based Fully Convolutional Networks,R-FCN）算法,實現(xiàn)同時對任意尺寸輸入的糖尿病眼底圖片的分類和病變區(qū)域檢測。針對原始R-FCN算法對小目標（極小的出血點和血管瘤）檢測困難的問題,對R-FCN算法做了一定的改進,加入特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks,FPN）結(jié)構(gòu),升級主干網(wǎng)絡(luò),修改區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network,RPN）。實現(xiàn)結(jié)果表明,改進后的RFCN算法能以很高的正確率實現(xiàn)對糖尿病眼底圖片的五級分類（健康、輕度、中度、重度、增殖）和病變區(qū)域檢測（血管瘤、眼底出血、玻璃體出血）。 

【文章來源】：計算機工程與應(yīng)用. 2020,56(04)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

輕度眼底圖片預測結(jié)果

1 增殖眼底圖片預測結(jié)果

如圖1所示，R-FCN原型主要由以下幾部分組成：（1）輸入；（2）提取特征的主干網(wǎng)絡(luò)ResNet[16](Residual Networks);(3)RPN網(wǎng)絡(luò)；（4)RoI池化層；（5）非極大值抑制[17](Non Maximum Suppression,NMS）。原型R-FCN算法默認使用ResNet-101的全卷積神經(jīng)網(wǎng)絡(luò)[18]進行提取特征，去除ResNet-101原本的全連接層，保留100層卷積進行下采樣，最后輸出的卷積特征圖分別送入RPN網(wǎng)絡(luò)和RoI池化層。RPN網(wǎng)絡(luò)，即區(qū)域建議網(wǎng)絡(luò)，其功能是區(qū)分前景和背景，尋找目標的大概位置，輸出目標候選框。然后，RPN輸出的目標候選框和主干網(wǎng)絡(luò)的卷積特征圖同時作為RoI池化層的輸入，生成位置敏感分數(shù)圖（Position Sensitive Score Maps）以及位置敏感分數(shù)圖上的RoI區(qū)域，池化后連接一個softmax分類層和邊框回歸層，對目標進行精確分類和邊框回歸。最后，使用NMS去除重疊度IoU較大的目標框，輸出最終結(jié)果。


本文編號：3126290