论文部分内容阅读
近年来,糖尿病已成为严重影响人们身体健康的病变之一。据统计,到2016年底,我国患有糖尿病的患者已达到1.1亿人,占国内成年人口的10%。糖尿病是一种发病率较高的慢性病,且常伴随一些较严重的并发症,如糖尿病心血管并发症和糖尿病视网膜病变等。但早期的糖尿病不易发觉,而视网膜图像的渗出、出血和微动脉等病变,能够较早发现并确诊糖尿病,故现被世界卫生组织(WHO)广泛用于糖尿病筛查。结合我国医疗资源紧张等现状,设计一款糖尿病视网膜病变辅助诊断系统具有十分重大的意义。鉴于近年来深度学习在图像识别领域取得了突破性进展,本文利用深度学习方法对糖尿病视网膜眼底图像病变展开研究。渗出是糖尿病视网膜病变中主要的一种,对渗出进行检测和分析,具有重要的糖尿病视网膜筛查和临床诊断意义。本文利用深度学习方法,提出了一种基于Unet的多输出卷积神经网络结构来对渗出位置进行检测。针对实验样本正负不均衡导致的网络难以训练的问题,本文提出了一种基于L1范数的困难样本挖掘方法来加速网络收敛。该分割网络在三个公开数据库DIARETDB1、HEI-MED、Messidor上测试得到的ROC曲线下的面积AUC分别为0.96、0.94、0.91。相对于其他工作,本文的方法在DIARETDB1数据库上取得最好的效果。在糖尿病视网膜筛查中,常常只需要对整张图像的病变有无进行分类或严重程度进行分析,因此本文提出了一种基于大规数据模驱动的深度学习方法,即设计了一个25层的卷积神经网络来提取病变特征和一个5层的多层感知机作为病变分类器。由于特征提取网络层数过多和训练数据有限,我们使用了迭代训练的思路,即分三个步骤依次从浅到深训练网络参数。在特征生成阶段,我们利用图像增强的方法将一张图片变为多张图片,然后将这些图片送入到特征提取网络中提取特征,最后将这多张图片特征的均值和方差作为分类器的输入。另外我们也采用模型融合的方法,即设计两个分类网络,将其结果求平均作为系统最终输出的分类结果。分类系统在Kaggle数据库的一个包含6000张图片的子集中得到55.13%的准确率。同时也在公开数据集e_optha上做二分类(有病与正常)测试,得到的灵敏度为94.36%,特异度为88%。