早產(chǎn)兒視網(wǎng)膜病變是小兒致盲的主要原因之一,發(fā)病率在我國呈持續(xù)上升的趨勢。人工診斷存在費時費力,依靠醫(yī)生經(jīng)驗等不足。針對此,提出了基于機器學習的視網(wǎng)膜圖像識別模型,首先基于原始圖像,借助圖像處理、傳統(tǒng)機器學習方法和對抗生成網(wǎng)絡(luò)技術(shù)得到生成圖像,然后基于這些圖像和原始圖像,提取其特征,最后對級聯(lián)后的特征進行分類。該模型有望為早產(chǎn)兒視網(wǎng)膜病變的自動篩查系統(tǒng)提供技術(shù)支持。 

【文章來源】：電腦知識與技術(shù). 2020,16(27)

【文章頁數(shù)】：2 頁

【部分圖文】：

正常的視網(wǎng)膜眼底圖像（左）和病變的視網(wǎng)膜眼底圖像（右）

ROP圖像自動識別模型為有監(jiān)督學習結(jié)構(gòu)，需要有標注好的數(shù)據(jù)對網(wǎng)絡(luò)進行訓練和測試。首先明確ROP發(fā)生部位的分區(qū)：I區(qū)是以視盤為中心，視盤中心距黃斑中心凹距離2倍為半徑的圓形區(qū)域。Ⅱ區(qū)以I區(qū)以外，以視盤為心，視盤至鼻側(cè)鋸齒緣的距離為半徑的環(huán)形區(qū)域。Ⅲ區(qū)：除I區(qū)和Ⅱ區(qū)外剩余的月牙形區(qū)域。其次，明確ROP病變分期，ROP病變根據(jù)不同的程度可以分為5期。1期表現(xiàn)為周邊無血管區(qū)與后極部視網(wǎng)膜血管末梢之間出現(xiàn)分界線；2期表現(xiàn)為嵴期分界線增寬、增高，呈嵴狀隆起；3期表現(xiàn)為新生血管形成并長入嵴上；4期表現(xiàn)為視網(wǎng)膜部分脫離；5期表現(xiàn)為視網(wǎng)膜全脫離。根據(jù)這些信息，需要眼科專家將早產(chǎn)兒視網(wǎng)膜圖像標注為正常、1期、2期、3期、4期和5期等類別。如果出現(xiàn)爭議，則需要討論。若討論后仍未達成一致，則丟棄此圖像。對于標注好的圖像，使用基于圖像處理方法、傳統(tǒng)機器學習算法和對抗生成網(wǎng)絡(luò)模型生成對應(yīng)的生成圖像。設(shè)計卷積神經(jīng)網(wǎng)絡(luò)，分別提取基于原始樣本和生成樣本的特征，將這些特征級聯(lián)后，送到分類器中識別分類，然后送到分類器中自動識別分類，模型如圖2所示。每設(shè)計一個生成模型，就予以實驗驗證，并借助實驗結(jié)果對其進行充分的驗證，從而保證整個課題研究最終的成功。將原始圖像和生成圖像按照多種占比結(jié)合，比如0比1或者1比0等。將標注好的數(shù)據(jù)隨機按照不同比例分成三部分：第一部分占總量的80%，用于網(wǎng)絡(luò)的訓練；第二部分占10%，用于網(wǎng)絡(luò)的驗證；第三部分占10%，用于網(wǎng)絡(luò)的測試，該比例可在一定范圍內(nèi)進行調(diào)整。不斷調(diào)整網(wǎng)絡(luò)參數(shù)，如隱藏層的層數(shù)、學習率、batch大小等，其中學習率將使用指數(shù)衰減學習率，即先使用較大的學習率來快速得到一個比較優(yōu)的解，然后逐步減少學習率，使得模型在訓練后期更加穩(wěn)定。利用驗證數(shù)據(jù)，對訓練的網(wǎng)絡(luò)進行驗證，并根據(jù)驗證結(jié)果對網(wǎng)絡(luò)中的參數(shù)做進一步優(yōu)化。利用測試數(shù)據(jù)，對網(wǎng)絡(luò)進行測試，測試網(wǎng)絡(luò)進行識別的準確性，尤其是使用交叉驗證法以充分評估構(gòu)建網(wǎng)絡(luò)的性能。


本文編號：3374891