论文部分内容阅读
视网膜眼底疾病不仅种类繁多,而且对视功能损害较大。常见的视网膜眼底疾病有年龄相关性黄斑病变(Age-related Macular Degeneration,AMD)和糖尿病性黄斑水肿(Diabetic Macular Edema,DME)。这两种疾病会损害视网膜并导致视力下降,更是老年人失明最常见的原因,因此其早期检测对后续治疗具有重要的意义。目前,临床上对于以上两种视网膜眼底疾病的诊断都依赖于专业的眼科医生,然而随着患者数量不断地增加,如此大量的诊断和筛查工作仅仅依靠少量的专业眼科医生将是一项非常艰巨的任务。基于以上存在的问题,本文将借助计算机视觉技术,采用深度学习的方法对视网膜眼底疾病进行分类诊断。视网膜眼底疾病的诊断大部分都采用眼底照相和光学相干断层扫描(Optical Coherence tomography,OCT)所获得的图像。相比于眼底照相,OCT图像具有无创、高速和高分辨率的特点,本次研究就是基于视网膜眼底疾病OCT图像的分类识别。具体的研究工作如下:(1)研究了基于经典的机器学习的OCT图像分类方法,主要分别利用支持向量机(Support Vector Machine,SVM)算法和 K 最近邻(K-NearestNeighbor,KNN)算法对视网膜眼底疾病进行识别,实验数据来自Duke University公开提供的OCT数据集(包括AMD、DME和正常图像),并利用交叉验证的思想对测试集上的数据进行验证。(2)提出了基于 3D 卷积神经网络(3D Convolutional Neural Network,3D-CNN)模型的OCT图像分类方法。OCT图像各类之间差异不明显,且本身存在大量斑噪声,这使得传统的图像分类算法很难取得较为精确的分类效果。依据卷积神经网络具有强大的学习能力,改进后的3D-CNN模型的OCT图像分类算法添加了 Inception模块,并在模型评价指标上取得了较好地分类效果。(3)鉴于卷积神经网络的基础,针对视网膜眼底疾病OCT图像的小数据集上提出了基于迁移学习思想的OCT图像分类方法。此次采用预先训练好的深度学习框架VGG-16,微调其深层网络参数以及重建全连接层,将其迁移至视网膜眼底疾病OCT图像分类任务。以上实验结果表明:基于卷积神经网络的两种深度学习方法较机器学习方法取得了更好的分类结果。其中,基于迁移学习的OCT图像分类方法能够更好地区分视网膜眼底疾病OCT图像和正常图像,并且达到了最好的分类准确率。