糖尿病視網(wǎng)膜病變圖像的快速分析和自動識別關(guān)鍵在于糖網(wǎng)病圖像特征的提取,針對糖網(wǎng)病特征的不明顯和病灶種類多,分布、形態(tài)各異等問題,使用了OCT圖像數(shù)據(jù)集代替眼底圖像數(shù)據(jù)集.提出了一種基于多層級聯(lián)融合網(wǎng)絡(luò)的糖網(wǎng)病檢測方法,可高效、準(zhǔn)確的識別與提取高分辨率的OCT圖像中每一類的病變的樣本特征,運用這些特征訓(xùn)練softmax分類器,用于OCT圖像的自動識別.在訓(xùn)練過程中,使用空間金字塔結(jié)構(gòu)對多層的特征圖處理,并將處理后的特征進行融合.結(jié)果表明該算法能有效的識別OCT圖像類別,較其他的神經(jīng)網(wǎng)絡(luò)模型,具有更高的準(zhǔn)確率和綜合評價標(biāo)準(zhǔn). 

【文章來源】：中南民族大學(xué)學(xué)報(自然科學(xué)版). 2020,39(04)

【文章頁數(shù)】：7 頁

【部分圖文】：

HED-KA-net結(jié)構(gòu)

由圖1可看出:(a)網(wǎng)絡(luò),輸入的圖像進入多個網(wǎng)絡(luò),每個網(wǎng)絡(luò)的層數(shù)和參數(shù)不同,得到的特征圖大小不同,反應(yīng)網(wǎng)絡(luò)多尺度結(jié)構(gòu),網(wǎng)絡(luò)的最后一層利用特定的卷積核將所有輸出的結(jié)果合并,得到最后的輸出結(jié)果.(b)網(wǎng)絡(luò),輸入圖像后提取每個卷積層生成的特征圖融合一起后再通過一個卷積層得到輸出結(jié)果.(a)和(b)差異在于(a)通過不同的網(wǎng)絡(luò)的不同卷積層,(b)是在同一網(wǎng)絡(luò)的不同卷積層提取特征圖融合,但是他們都是使用一個loss函數(shù)進行回歸訓(xùn)練.(c)網(wǎng)絡(luò)是通過外部使尺度不同,即輸入圖像的大小不一致,但是通過相同的卷積核,得到的輸出特征圖也不一致.(d)網(wǎng)絡(luò)是由(a)演化過來,相同的圖像通過不同的獨立網(wǎng)絡(luò),每個網(wǎng)絡(luò)的深度和輸出損失函數(shù)都不一致,不同的網(wǎng)絡(luò)預(yù)測結(jié)果也不一致.將最后的結(jié)果綜合分析,能得出更好結(jié)論.唯一的缺陷是需要比其它模型更多的數(shù)據(jù)量.(e)網(wǎng)絡(luò)是HED綜合前面的方法提出的,同樣的輸入圖像大小,經(jīng)過不同的卷積層,每一個卷積層的生成的特征圖都不一致,保存特征圖作為第一個結(jié)果,將后面的特征圖做反卷積后,與之前的特征圖相融合,融合后再通過一個卷積核就能得到第二個輸出,結(jié)合了的兩個輸出結(jié)果就是模型最終的結(jié)果.HED論文中利用一個“權(quán)重混合層”解決每側(cè)輸出結(jié)果混合的問題,讓整個模型學(xué)習(xí)混合權(quán)重.混合權(quán)重層的損失函數(shù)定義如公式 (1)所示:

空間金字塔池化結(jié)構(gòu)是HE Kaiming提出的一個用于解決圖片輸入大小不一致的方法, 如圖2所示.當(dāng)圖片強行歸一化的時候,會扭曲圖片,從而丟失圖片攜帶的信息.空間金字塔池化結(jié)構(gòu)原理簡單,即將圖片分塊,每個塊提取特征向量,這樣對任意尺寸的特征圖,都可以從中提取固定大小的特征向量,這樣就兼容了多尺度的特征,最后將這些多尺度特征拼接成一個固定維度特征,與全連接層相連.1.3 多層級聯(lián)融合網(wǎng)絡(luò)的整體結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的語音識別方法研究[J]. 邵娜,李曉坤,劉磊,陳虹旭,鄭永亮,楊磊.  智能計算機與應(yīng)用. 2019(02)
[2]光學(xué)相干層析技術(shù)及其在生物醫(yī)學(xué)中的應(yīng)用[J]. 王新宇,張春平,張連順,薛玲玲,張光寅.  光機電信息. 2001(09)



本文編號：3104575