论文部分内容阅读
视网膜疾病,特别是糖尿病性视网膜病变(DR)和年龄相关性黄斑变性(AMD)仍然是导致视力低下甚至失明的主要原因。如果能够在早期识别视网膜疾病的体征和症状并予以针对性的药物治疗,则可以预防视力的丧失,甚至治愈。然而,全球每年会有上亿人患上视网膜疾病,面对大量且复杂的诊断工作,需要大量专业且有经验的眼科医师。但一些不发达的地区并不存在优良的医疗环境。近年来,采用深度学习帮助医疗人员分析并处理医疗数据以治疗疾病的方法层出不穷。其中,卷积神经网络(CNN)在医学图像分析中的应用最为广泛。卷积神经网络(CNN)与先前用于图像分类的传统算法相比,不仅能够自动的提取图像中的特征,而且提升了效果与速度。这些优点使它在图像分类领域成为了新的研究重点。因此,将深度学习中的卷积神经网络应用于视网膜疾病的辅助诊断具有一定的研究意义。本文对视网膜相关疾病和卷积神经网络(CNN)均进行了深入的研究。主要基于开源的视网膜OCT图像数据集,在四分类任务(CNV、DRUSEN、DME和NORMAL)上提出了一种对视网膜疾病进行分类的卷积网络模型。目的是达到专业眼科医师的判断水准,从而辅助医生诊断视网膜疾病。本文大致工作如下:首先,基于开源视网膜OCT图像数据集训练了一个传统的卷积网络模型,并保存其训练参数。然后,将SE与Bottleneck两种层组合成新模块SE-Block,并基于SE-Block设计了一个新的卷积神经网络。其中,SE-Layer基于Attention的思想根据网络损失学习到每个特征通道的重要程度,然后根据重要程度对不同的通道赋予不同的权重,提升了网络的分类能力。Bottleneck-Layer在保持分类准确率的同时明显的降低了网络的参数与计算量,减轻过拟合。最后,基于保存的网络参数采用参数迁移的方法训练了新的网络模型,加速了网络的收敛。本文基于SE-Block的卷积网络模型在开源的视网膜OCT图像数据集上达到了97.5%的分类准确率、98.6%的灵敏度和97.8%的特异度。文章末尾将本文方法与近几年所用方法进行了比较,通过实验结果对比体现了本文方法的优势。