基于深度学习特征融合的视网膜图像分类 
下载： 1421次
Deep Learning Feature Fusion-Based Retina Image Classification
1 福州大学机械工程及自动化学院, 福建 福州 350108
2 福建医科大学附属第一医院, 福建 福州 350000
图 & 表
图 1. 卷积神经网络模型
Fig. 1. Convolutional neural network model
下载图片 查看原文
图 2. 卷积层结构对比。(a)普通卷积;(b)深度可分离卷积
Fig. 2. Convolutional layer structure comparison. (a) Ordinary convolution; (b) depth separable convolution
下载图片 查看原文
图 3. 数据集样本图。(a) CNV;(b) DME;(c) DRUSEN;(d) NORMAL
Fig. 3. Sample graphs of the dataset. (a) CNV; (b) DME; (c) DRUSEN; (d) NORMAL
下载图片 查看原文
图 4. 数据预处理。(a)OCT视网膜原图像;(b)均值漂移去散斑图像
Fig. 4. Image preprocessing. (a) Original image of OCT retina; (b)mean-shift removed speckle image
下载图片 查看原文
图 5. 验证结果曲线。(a)验证准确率曲线;(b)验证损失曲线
Fig. 5. Validation result curves. (a) Validation accuracy curve; (b) validation loss curve
下载图片 查看原文
图 6. 混淆矩阵。(a)未设置加权损失函数混淆矩阵;(b)设置加权损失函数混淆矩阵
Fig. 6. Confusion matrix. (a) Confusion matrix without weighted loss function; (b) confusion matrix with weighted loss function
下载图片 查看原文
图 7. 可视化热力图
Fig. 7. Visual heat maps
下载图片 查看原文
图 8. 混淆矩阵。(a)GAPNet模型的混淆矩阵;(b)RongheNet模型的混淆矩阵
Fig. 8. Confusion matrix. (a) Confusion matrix for GAPNet model; (b) confusion matrix for RongheNet model
下载图片 查看原文
表 1OCT数据集划分情况
Table1. Division of OCT dataset
| Image type | Number of images |
|---|
| Train | Validation | Test | Total |
|---|
| CNV | 26043 | 7441 | 3721 | 37205 | | DME | 7943 | 2270 | 1135 | 11348 | | DRUSEN | 6031 | 1723 | 862 | 8616 | | NORMAL | 18420 | 5263 | 2632 | 26315 | | Total | 58437 | 16697 | 8350 | 83484 |
|
查看原文
表 2不同训练方法的分类指标对比
Table2. Comparison of classification indexes of different training methods unit: %
| Network type | Category weight | Accuracy | MA | Precision | Recall |
|---|
| SlimNet | No | 89.9 | 82.5 | 88.0 | 82.0 | | SlimNet | Yes | 90.2 | 87.2 | 85.0 | 87.0 | | BnL2Net | Yes | 93.0 | 91.6 | 92.0 | 93.0 | | GAPNet | Yes | 94.9 | 93.3 | 92.0 | 93.0 | | RongheNet | Yes | 97.2 | 97.0 | 95.0 | 97.0 |
|
查看原文
表 3不同模型性能对比
Table3. Performance comparison of different models unit: %
| Method | MA | Precision | Recall |
|---|
| Wang et al[6] | 89.6 | 90.8 | 88.6 | | Bhowmik et al[7] | 92.6 | 94.0 | 94.0 | | Yu et al[8] | 94.1 | 94.6 | 90.6 | | Ours | 97.0 | 95.0 | 97.0 |
|
查看原文
张添福, 钟舜聪, 连超铭, 周宁, 谢茂松. 基于深度学习特征融合的视网膜图像分类[J]. 激光与光电子学进展, 2020, 57(24): 241025. Tianfu Zhang, Shuncong Zhong, Chaoming Lian, Ning Zhou, Maosong Xie. Deep Learning Feature Fusion-Based Retina Image Classification[J]. Laser & Optoelectronics Progress, 2020, 57(24): 241025.
PDF全文
