【摘要】：糖尿病視網(wǎng)膜病變(糖網(wǎng)病)作為糖尿病的并發(fā)癥之一,是一個常見且最為嚴重的眼科疾病,同時也是成年人當中導致失明的主要病因。臨床上,醫(yī)生主要使用眼底鏡觀察患者眼球后部的視網(wǎng)膜來做出診斷,這一診斷過程通常費時費力、效率低。為了提高診斷效率,糖網(wǎng)病計算機輔助診斷系統(tǒng)應運而生。然而,現(xiàn)有的這些系統(tǒng)都基于深度學習方法建立,需要大量眼底圖像數(shù)據(jù)。由于獲取大量的數(shù)據(jù)非常困難、并且成本高昂,所以當足夠的數(shù)據(jù)難以提供時,建立計算機輔助診斷系統(tǒng)面臨巨大的挑戰(zhàn)。鑒于此,基于數(shù)量較少的眼底圖像建立糖網(wǎng)病計算機輔助診斷系統(tǒng)具有重要意義。本文基于遷移學習思想,利用深度遷移學習特征,從兩個方面開展研究:(1)基于深度遷移學習特征,對比分析常用機器學習分類算法的性能。當把深度學習用于解決小數(shù)據(jù)集的分類任務時,容易導致過擬合,難以提升泛化能力。解決方法之一是把通過大量數(shù)據(jù)預訓練的神經(jīng)網(wǎng)絡用于小數(shù)據(jù)集提取特征,然后使用合適的傳統(tǒng)分類算法完成分類。本文使用預訓練的卷積神經(jīng)網(wǎng)絡VGGNet從眼底圖像中提取特征,然后基于這些特征比較了八個分類算法之間的分類性能。實驗結果顯示,支持向量機是最優(yōu)的分類算法。(2)基于深度遷移學習特征,從度量學習的角度出發(fā),利用孿生網(wǎng)絡實現(xiàn)小數(shù)據(jù)集分類。當面對小數(shù)據(jù)集的數(shù)據(jù)量非常少的情形時,利用預訓練的神經(jīng)網(wǎng)絡提取特征訓練傳統(tǒng)分類算法來分類的方法不一定總是有效的。受到單樣本學習(one-shot learning)思想的啟發(fā),我們首先利用來自大數(shù)據(jù)集的深度遷移學習特征訓練孿生網(wǎng)絡,之后將該網(wǎng)絡用于其他小數(shù)據(jù)集分類。實驗結果表明,在數(shù)據(jù)量較少時,本文提出的方法,能在一定程度上有效實現(xiàn)眼底圖像自動分類。
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R587.2;R774.1;TP391.7
【圖文】：

(d) 嚴重非增生 DR (e) 增生 DR圖 1-1 眼底圖像示例眼底圖像自動分類的國內外研究現(xiàn)狀止到 2015 年宋夜悄蠆』頰呷聳笤即锏

本文編號：2801880