本文針對傳統(tǒng)的視網(wǎng)膜圖像處理過程繁瑣、魯棒性差的缺點,提出設(shè)計了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的視網(wǎng)膜圖像自動識別系統(tǒng)。首先,對圖像預(yù)處理包括去除噪聲、數(shù)值歸一化、數(shù)據(jù)量擴(kuò)增;然后,設(shè)計提出了一種新的神經(jīng)網(wǎng)絡(luò)模型——XNet,XNet中和了LeNet和Inception網(wǎng)絡(luò)的深度,網(wǎng)絡(luò)參數(shù)根據(jù)訓(xùn)練樣本進(jìn)行適應(yīng)性調(diào)整;最后,針對不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了準(zhǔn)確率和迭代次數(shù)的比較。實驗結(jié)果表明,XNet網(wǎng)絡(luò)的結(jié)構(gòu)要優(yōu)于LeNet和Inception,準(zhǔn)確率可以達(dá)到91%;并通過實驗證實了數(shù)據(jù)擴(kuò)增的必要性。 

【文章來源】：哈爾濱理工大學(xué)學(xué)報. 2020,25(01)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

XNet網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的數(shù)據(jù)是高分辨率 RGB圖像,其分辨率約為3000×2500。根據(jù)視網(wǎng)膜病變程度將圖像分為4 類,如圖 3所示。第 0 類對應(yīng)的是沒有病變的視網(wǎng)膜圖像,第 1 類對應(yīng)的是有輕微DR,第2 類對應(yīng)的是有嚴(yán)重DR,第 3類則是未知眼科病變,數(shù)量如表 1 所示,可以認(rèn)為,分類數(shù)量分布十分不平衡,第 0 類樣本約是第 4 類樣本的6倍。圖3 視網(wǎng)膜圖像示例

圖2 算法流程圖表1 數(shù)據(jù)集分類表Tab.1 Data set classification 類別編號 病變程度 圖像數(shù) 0 未患病 10 039 1 輕微糖尿病性視網(wǎng)膜 2 198 2 嚴(yán)重糖尿病性視網(wǎng)膜 1 931 3 未知眼科疾病 1 736

【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜和卷積神經(jīng)網(wǎng)絡(luò)的鮮棗黑斑病檢測[J]. 孫海霞,張淑娟,劉蔣龍,陳彩虹,李成吉,邢書海.  山西農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(11)
[2]卷積神經(jīng)網(wǎng)絡(luò)綜述[J]. 劉健,袁謙,吳廣,喻曉.  計算機(jī)時代. 2018(11)
[3]基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型[J]. 張建華,孔繁濤,吳建寨,翟治芬,韓書慶,曹姍姍.  中國農(nóng)業(yè)大學(xué)學(xué)報. 2018(11)
[4]基于多任務(wù)CNN的監(jiān)控視頻中異常行人快速檢測[J]. 李俊杰,劉成林,朱明.  計算機(jī)系統(tǒng)應(yīng)用. 2018(11)
[5]一種新的卷積神經(jīng)網(wǎng)絡(luò)的ECT圖像重建算法[J]. 李蘭英,孔銀,陳德運.  哈爾濱理工大學(xué)學(xué)報. 2017(04)
[6]糖尿病性視網(wǎng)膜病變相關(guān)研究[J]. 賈淑琴,霍建新.  包頭醫(yī)學(xué)院學(xué)報. 2014(04)

博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識別算法研究[D]. 程嘉暉.浙江大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉年齡估計算法[D]. 周旺.南京大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究[D]. 段萌.鄭州大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學(xué) 2017
[5]基于深度學(xué)習(xí)的糖尿病性視網(wǎng)膜圖像分析算法研究[D]. 丁蓬莉.北京交通大學(xué) 2017
[6]糖尿病視網(wǎng)膜病變圖像的滲出物自動檢測算法研究[D]. 陳向.哈爾濱工業(yè)大學(xué) 2012



本文編號：3142205