目的:利用深度學習的方法對糖尿病視網膜分類方法進行研究。方法:采用深度學習的方法,輸入視網膜眼底圖像特征和選擇分類模型,從而決定最終的視網膜眼底分類效果。針對不同病變時期的糖尿病性病變視網膜類間差別小,特征分類困難的問題,提出利用基于遷移學習的Xception模型來解決病變視網膜分類的方法,該方法摒棄了傳統(tǒng)分類方法中的直接對數據集進行訓練的缺點,采用特殊的圖像預處理方法,通過遷移學習結合優(yōu)秀的分類模型來解決分類難問題。結果:研究結果表明,在預處理后的數據集上,訓練得到的模型在測試集上準確率達到了92.8%,取得了良好的訓練效果。結論:視網膜眼底圖像作為眼部病癥的重要判斷依據,蘊藏著大量的病癥信息,不但可以節(jié)省經驗豐富的眼科醫(yī)生的診斷時間,還可解決醫(yī)療資源分布不均的問題。 

【文章來源】：中國醫(yī)學裝備. 2020,17(10)

【文章頁數】：5 頁

【部分圖文】：

遷移學習理論圖

采用特殊的特征增強方法，處理原理即用原圖減去高斯模糊(Gaussian Blur)圖，得到兩圖差異，再用Gaussian Blur算法得到最終特征增強后的圖像。圖像特征增強原理效果見圖2。結果圖像中出血點和硬性滲出物[7-10]特征變得清晰可見，微動脈瘤特征被放大，分類模型可以最大化的學習到有用特征，以幫助模型得到更好的訓練結果。

IDRi D數據集和Eye PACS數據集自身內部分級的圖像數量偏差較大，需要采用不同程度的平移、翻轉及旋轉等數據增強的方法對數據集進行擴充，擴充后的數據集再經過按比例的抽取圖像，利用由Python編寫的開源人工神經網絡庫keras，通過圖像數據生成器(image data generator)Python中指定路徑寫入標簽路徑的方法(datagen.flow＿from＿directory)相結合，達到各級圖像數量相對均等的目的，從有偏數據集轉變?yōu)闊o偏數據集。經過數據增強操作的數據見圖1。1.3 特征增強

【參考文獻】：
期刊論文
[1]基于深度學習的眼底圖像出血點檢測方法[J]. 孟凡奎,銀溫社,賀建峰.  山東大學學報(理學版). 2020(09)
[2]基于仿真SAR圖像深度遷移學習的自動目標識別[J]. 王澤隆,徐向輝,張雷.  中國科學院大學學報. 2020(04)
[3]人工智能在眼部疾病中的應用及其挑戰(zhàn)[J]. 肖璐璐,竇曉燕.  國際眼科雜志. 2020(07)
[4]糖尿病視網膜病變的分類、發(fā)生機制及治療進展[J]. 何媛,周濤,蘇婷,李海濤,張海林.  山東醫(yī)藥. 2020(19)
[5]基于深度遷移學習的釀酒葡萄種植信息提取[J]. 宋曉倩,張學藝,張春梅,李萬春.  江蘇農業(yè)學報. 2020(03)
[6]基于集成遷移學習的細粒度圖像分類算法[J]. 吳建,許鏡,丁韜.  重慶郵電大學學報(自然科學版). 2020(03)
[7]基于遷移學習的VGG-16網絡芯片圖像分類[J]. 馬俊,張榮福,郭天茹,張喆嫣,李卿,王蓉,李子瑩.  光學儀器. 2020(03)
[8]基于深度學習的肺腫瘤圖像分割研究[J]. 劉雅熙,鐘建軍,孫玉璽,彭浩超.  計算機產品與流通. 2020(07)
[9]基于Inception-ResNet-V2的乳腺癌病理圖像識別研究[J]. 劉靖雯,黃理燦.  軟件導刊. 2020(05)
[10]人工智能深度學習在心血管影像診斷中的研究進展[J]. 張佳,孫凱.  中國醫(yī)學裝備. 2020(04)

碩士論文
[1]基于深度學習的醫(yī)學影像分割技術研究[D]. 陳俊江.電子科技大學 2020



本文編號：3532194