發(fā)布時間：2021-07-10 11:51

　　近幾年以來,隨著人工智能技術(shù)的日益成熟,深度學(xué)習技術(shù)被廣泛的應(yīng)用到人們的日常生活中。其中人工智能與醫(yī)療領(lǐng)域的結(jié)合成為了研究人員關(guān)注的重點,利用人工智能手段幫助醫(yī)生進行診斷是智能醫(yī)療的重要分支。視網(wǎng)膜眼底圖作為診斷眼部疾病的重要判斷依據(jù),蘊含著許多細微的病癥信息,對圖片進行準確的分析可以使患者得到及時的救治。利用人工智能手段分析圖象不但可以節(jié)省培養(yǎng)一位經(jīng)驗豐富的眼科醫(yī)生所需耗費的大量時間和精力,還可以減輕醫(yī)患數(shù)量不匹配等問題,是一項十分有意義的課題。本文提出了基于機器學(xué)習算法的針對糖尿病性視網(wǎng)膜病變圖像的分級方法。設(shè)計并實現(xiàn)了針對不同容量和不同數(shù)據(jù)源的兩個數(shù)據(jù)集的眼底圖像庫的模型分類算法。通過引入分割算法中的形態(tài)學(xué)從處理方法,改進了小數(shù)據(jù)集下分類模型的訓(xùn)練效果。利用支持向量機和集成學(xué)習的方法對小數(shù)據(jù)集進行訓(xùn)練。將遷移學(xué)習提取的特征運用支持向量機進行訓(xùn)練,實現(xiàn)了神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機器學(xué)習方法的結(jié)合。通過在卷積神經(jīng)網(wǎng)絡(luò)模型中引入RMSProp優(yōu)化算法,解決有偏大數(shù)據(jù)集的眼底圖分級問題。實驗內(nèi)容將針對小數(shù)據(jù)集分別進行支持向量機和遷移網(wǎng)絡(luò)的學(xué)習訓(xùn)練,并輔以集成學(xué)習模型進行補充實驗。對于較大的數(shù)據(jù)集采... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－３糖尿病性視網(wǎng)膜病變２Ｄ彩色眼底圖??其中微動脈瘤是血液中的微小突起以深紅色點的樣子呈現(xiàn)并在圖像中表現(xiàn)??

向量機（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，?ＳＶＭ）是一種有監(jiān)督學(xué)習算數(shù)據(jù)進行二元分類的廣義的線性分類器，于１９６４年由Ｃｏｒｔｅｓ先提出。運用支持向量機算法，不但可以解決相對傳統(tǒng)的線性分可以通過將在現(xiàn)有平面無法良好分類的數(shù)據(jù)映射到更高的層面可分的數(shù)據(jù)可以處于兩個平行的超平面上，從而實現(xiàn)特征的二支持向量機方法來說，學(xué)習的目的是找尋特征空間中的一個分離而將所有的特征進行二分類。超平面的找尋可以通過方程式（２－ａＴｘ?＋?ｂ?＝?０?（２－１程式（２－１）可以看到滿足的解并不唯一。說明當運用支持向，常常不只有唯一一個可將正負樣本分割的平面。然而要使模訓(xùn)練集上進行良好的劃分，而且針對訓(xùn)練集所屬的問題本身提進行更好的分類，就需要找尋同時距離兩類最遠的間隔平面，。??

簡化網(wǎng)絡(luò)計算復(fù)雜度，在全連接層再將現(xiàn)有特征整合降維進行高度提純??將網(wǎng)絡(luò)學(xué)習到的特征映射到樣本的標記空間中，方便之后的分類操作。其卷積核??的工作原理如公式（２－２）和下圖２－２所示。??ＺＭ（ｉ，ｊ）?＝?［Ｚ，＾ｗ＇］（ｉ，ｊ）?＋?ｂ?（２－２）??公式（２－２）中代表著卷積神經(jīng)網(wǎng)絡(luò)中的第／層的輸入和輸出特征，??Ｖ為這一層的卷積核，６為偏差量。??丨．．１…１…汁１＿?１?Ｉ?？?：?——＾??：－１?０?－３?！?０?１?１?０?０?０?－２?－１??２?１１－１０?０?０?０?細呻丨．?２２４??０－１１２１?００－１?－１００??１２?１１２??輸入特征?卷積核?卷積特征??圖２－２二維卷積簡易示意圖??圖２－２中所顯示了卷積神經(jīng)網(wǎng)絡(luò)利用感受野的概念，將輸入特征通過與卷積??核進行卷積計算從而實現(xiàn)高階特征的提取工作。??近年來卷積神經(jīng)網(wǎng)絡(luò)隨著深度學(xué)習算法在各個領(lǐng)域研究的加深而逐漸發(fā)展??起來，因為其在圖像分類等方面出色的表現(xiàn)而成為一種引起廣泛重視的一種高效??識別方法。其高效的主要原因是卷積神經(jīng)網(wǎng)絡(luò)采用的是部分連接的方式來提取局??部特征的，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，這是卷積神??經(jīng)網(wǎng)絡(luò)比起其他的多層神經(jīng)網(wǎng)絡(luò)的不同之處。??對與卷積神經(jīng)網(wǎng)絡(luò)而言，數(shù)據(jù)的特征檢測層和對數(shù)據(jù)的訓(xùn)練是同時進行學(xué)習??１０??

【參考文獻】：
期刊論文
[1]糖尿病視網(wǎng)膜病變眼底圖像分類方法[J]. 梁平,熊彪,馮娟娟,廖瑞端,汪天富,劉維湘.  深圳大學(xué)學(xué)報(理工版). 2017(03)
[2]基于分類回歸樹和AdaBoost的眼底圖像視網(wǎng)膜血管分割[J]. 朱承璋,向遙,鄒北驥,高旭,梁毅雄,畢佳.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2014(03)
[3]閾值分割在糖尿病性視網(wǎng)膜病變早期診斷中的應(yīng)用[J]. 齊全,趙慶展,李曼青.  青島大學(xué)學(xué)報(自然科學(xué)版). 2011(02)

碩士論文
[1]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：3275863