提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)加條件隨機(jī)場(chǎng)(conditional random fields, CRF)的眼底圖像出血點(diǎn)檢測(cè)方法。首先,為了避免圖像背景區(qū)域?qū)罄m(xù)檢測(cè)的影響,參考眼底圖像中的灰度信息并根據(jù)眼底中心位置到其邊緣的長(zhǎng)度,將圖像調(diào)整到合適的尺寸,再對(duì)圖像進(jìn)行線(xiàn)性加權(quán)增強(qiáng)其亮度和對(duì)比度;然后,用裁剪到的圖像塊在仿照VGG網(wǎng)絡(luò)構(gòu)建的CNN架構(gòu)上去訓(xùn)練檢測(cè)出血點(diǎn)的CNN模型;最后,為了克服CNN模型在出血點(diǎn)檢測(cè)中誤檢、漏檢等問(wèn)題,采用CRF對(duì)CNN模型輸出的概率圖進(jìn)行后處理,以實(shí)現(xiàn)眼底圖像出血點(diǎn)的精確檢測(cè)。提出的檢測(cè)方法在公開(kāi)的Kaggle與Messidor數(shù)據(jù)庫(kù)上進(jìn)行訓(xùn)練和驗(yàn)證,獲得了98.8%的準(zhǔn)確率、99.4%的召回率和99.1%的F-score。另外,在DIARETDB1數(shù)據(jù)庫(kù)上測(cè)試的靈敏度達(dá)到98.5%,F-score為96.1%。實(shí)驗(yàn)結(jié)果表明,從圖像視覺(jué)和定量檢測(cè)2個(gè)方面均說(shuō)明了提出方法的有效性和優(yōu)越性。

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
0 引言
1 材料與方法
    1.1 數(shù)據(jù)描述
    1.2 圖像預(yù)處理
    1.3 數(shù)據(jù)擴(kuò)充
    1.4 網(wǎng)絡(luò)結(jié)構(gòu)
        1.4.1 CNN結(jié)構(gòu)設(shè)計(jì)
        1.4.2 CRF處理數(shù)據(jù)
2 實(shí)驗(yàn)及結(jié)果分析
    2.1 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
    2.2 實(shí)驗(yàn)分析
        2.2.1 CNN模型訓(xùn)練
        2.2.2 出血點(diǎn)檢測(cè)評(píng)估
3 討論
4 總結(jié)



本文編號(hào)：3737635