視網(wǎng)膜疾病,特別是糖尿病性視網(wǎng)膜病變（DR）和年齡相關性黃斑變性（AMD）仍然是導致視力低下甚至失明的主要原因。如果能夠在早期識別視網(wǎng)膜疾病的體征和癥狀并予以針對性的藥物治療,則可以預防視力的喪失,甚至治愈。然而,全球每年會有上億人患上視網(wǎng)膜疾病,面對大量且復雜的診斷工作,需要大量專業(yè)且有經(jīng)驗的眼科醫(yī)師。但一些不發(fā)達的地區(qū)并不存在優(yōu)良的醫(yī)療環(huán)境。近年來,采用深度學習幫助醫(yī)療人員分析并處理醫(yī)療數(shù)據(jù)以治療疾病的方法層出不窮。其中,卷積神經(jīng)網(wǎng)絡（CNN）在醫(yī)學圖像分析中的應用最為廣泛。卷積神經(jīng)網(wǎng)絡（CNN）與先前用于圖像分類的傳統(tǒng)算法相比,不僅能夠自動的提取圖像中的特征,而且提升了效果與速度。這些優(yōu)點使它在圖像分類領域成為了新的研究重點。因此,將深度學習中的卷積神經(jīng)網(wǎng)絡應用于視網(wǎng)膜疾病的輔助診斷具有一定的研究意義。本文對視網(wǎng)膜相關疾病和卷積神經(jīng)網(wǎng)絡（CNN）均進行了深入的研究。主要基于開源的視網(wǎng)膜OCT圖像數(shù)據(jù)集,在四分類任務（CNV、DRUSEN、DME和NORMAL）上提出了一種對視網(wǎng)膜疾病進行分類的卷積網(wǎng)絡模型。目的是達到專業(yè)眼科醫(yī)師的判斷水準,從而輔助醫(yī)生診斷視網(wǎng)膜疾病。本文大致工作... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

圖像分類過程

第 2 章 相關工作些分類器算法包括：決策樹、支持向量機、樸素）等。下面分別進行具體的介紹。樹算法見的機器學習算法之一，決策樹（decision tree）使用最廣泛的方法之一，可以解決分類或回歸問習訓練時數(shù)據(jù)的決策規(guī)則預測目標的值或類，基決問題。其中節(jié)點代表選擇屬性并提出問題的地點代表實際的輸出或類別標簽。決策樹用于具有決策，如下圖 2.2 所示。

圖 2.3 ID3 算法的大致流程算法引入信息增益來度量每個屬性對于數(shù)據(jù)計劃分的好壞程度。首先基于度量值最大的屬性劃分全部數(shù)據(jù)集。然后，每次都選擇剩余屬性中信息增益最大的對剩余數(shù)據(jù)進行不斷的劃分，直到將數(shù)據(jù)完全分類或?qū)傩杂猛辍D3 算法只能為離散型屬性的數(shù)據(jù)集進行決策樹的構造，而且傾向于選擇多值屬性。針對這些問題，Quinlan 基于 ID3 提出了 C4.5 算法。C4.5 算法[35]的流程跟 ID3 一樣，但采用信息增益率代替信息增益來度量劃分的準則，可以對連續(xù)型屬性進行建模而且更傾向于選擇少值屬性。而且，構造時采用剪枝法防止樹高度的無限增高，規(guī)避了過擬合。（2）支持向量機支持向量機[36]（SVM）也是一種監(jiān)督學習算法，主要用于分類問題，并且非常適用于圖像分類領域。SVM 根據(jù)特征數(shù)目建立 n 維特征空間，并根據(jù)數(shù)據(jù)在每個特征下的值取相應的坐標。核心操作是在該特征空間下尋找最優(yōu)的超平面對

【參考文獻】：
期刊論文
[1]基于貝葉斯分類器的圖像分類[J]. 董立巖,苑森淼,劉光遠,賈書洪.  吉林大學學報(理學版). 2007(02)
[2]圖像視覺特征綜述[J]. 于昕梅,朱林.  廣東通信技術. 2004(S1)



本文編號：3527906