針對糖尿病視網(wǎng)膜病變的眼底圖像數(shù)據(jù),根據(jù)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡模型設計出一種能夠針對此病程進行自動分類的網(wǎng)絡模型.引入一種全新的基于雙眼特征融合模型來比較不同模型結構的處理效果,通過實驗證明了此模型在對糖尿病視網(wǎng)膜病變眼底圖像進行分類時的有效性和優(yōu)越性.通過對模型的損失函數(shù)進行調整,分析得出在不同評價準則下的最優(yōu)損失函數(shù).對錯分的圖像樣本進行分析,總結了造成錯誤分類的兩種主要原因:微血管瘤特征的不明顯和相機偽影構成的圖像噪聲. 

【文章來源】：中南民族大學學報(自然科學版). 2020,39(06)

【文章頁數(shù)】：7 頁

【部分圖文】：

(a)微血管瘤(左上);(b)黃色滲出和出血點;(c)新生血管

糖網(wǎng)病眼底圖像的數(shù)據(jù)包含了不同個體的左右眼.每個個體的左右眼圖像具有極為相似的亮度、色彩與結構特征,如圖2所示:表1為本文所使用數(shù)據(jù)的左右眼標簽(標簽是原始數(shù)據(jù)中糖網(wǎng)病病程的分類,為0-4類,共5類)統(tǒng)計:左右眼為同一標簽的數(shù)據(jù)占總數(shù)據(jù)的92.7%,左右標簽相差1的數(shù)據(jù)占總數(shù)據(jù)的5.2%,由此可證明左眼與右眼標簽具有較強的相關性.

使用的特征提取網(wǎng)絡參照VGG-16網(wǎng)絡結構,為了使模型能夠更多的提取到圖像關于病灶的分布等高級特征,此模型在VGG-16模型的基礎上,在網(wǎng)絡后半部分適當添加了卷積層,并對前半部分進行修改以減小參數(shù)量和計算量、適應圖像的輸入尺寸,具體結構如圖4所示:圖4 特征提取網(wǎng)絡示意圖

【參考文獻】：
期刊論文
[1]基于殘差網(wǎng)絡的糖網(wǎng)病自動篩查[J]. 鄒北驥,張子謙,朱承璋,陳昌龍,劉佳,歐陽平波.  計算機輔助設計與圖形學學報. 2019(04)
[2]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.  深圳大學學報(理工版). 2017(03)

博士論文
[1]深度學習在糖網(wǎng)病篩查中的研究與應用[D]. 周磊.上海交通大學 2018

碩士論文
[1]眼底圖像的糖網(wǎng)病變分類研究與實現(xiàn)[D]. 劉江明.電子科技大學 2019



本文編號：3449514