复杂性 复杂性 1099 - 0526 1076 - 2787 Hindawi 10.1155 / 2020/5801870 5801870 研究文章 渗出物检测糖尿病视网膜病变使用Pretrained卷积神经网络 Mateen 默罕默德 1 https://orcid.org/0000 - 0002 - 6561 - 560 x 温 Junhao 1 Nasrullah Nasrullah 2 太阳 首歌 1 ‘ Shaukat 3 桑托斯 马蒂尔德 1 大数据与软件工程学院的 重庆大学 重庆401331 中国 cqu.edu.cn 2 软件工程系 基础大学 伊斯兰堡,44000 巴基斯坦 fui.edu.pk 3 信息与软件工程学院 中国电子科技大学 成都,610054 中国 uestc.edu.cn 2020年 10 4 2020年 2020年 11 11 2019年 25 02 2020年 13 03 2020年 10 4 2020年 2020年 版权©2020年穆罕默德Mateen et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

在眼科领域,糖尿病性视网膜病变(DR)是一个失明的主要原因。博士是基于视网膜病变包括渗出物。析出物被发现是一个博士和严重异常迹象,所以这些病变的正确检测和治疗应立即完成,防止视力丧失。摘要pretrained卷积神经网络(CNN)的基础框架提出了渗出物的检测。最近,cnn是单独应用于解决具体问题。但是,pretrained CNN模型转移学习可以利用前面的知识解决相关问题。最初建议的方法中,数据预处理执行标准化的渗出物补丁。此外,感兴趣的区域(ROI)定位用于本地化渗出液的特点,然后将学习使用pretrained CNN模型进行特征提取(Inception-v3、残余Network-50和视觉几何组Network-19)。此外,完全连接的熔融特性(FC)层被送入将softmax渗出物分类的分类器。提出了框架的性能分析了使用两个著名的如e-Ophtha和DIARETDB1公开可用的数据库。 The experimental results demonstrate that the proposed pretrained CNN-based framework outperforms the existing techniques for the detection of exudates.

 国家重点研究和发展项目的中国干细胞和转化研究 2018年yff0214700 1。介绍

在眼科领域,深度学习是执行一个重要的角色来诊断严重的疾病,包括糖尿病性视网膜病变(DR)。是一种严重的博士和世界各地的常见疾病。糖尿病性视网膜病变是一种普遍的疾病诊断的糖尿病患者。世界卫生组织(世卫组织)已宣布,在2030年,糖尿病将最严重和7日世界上最高的death-causing疾病( 1]。从这个角度看,它是最重要的防止人类生命受到糖尿病的影响。在糖尿病视网膜病变的情况下,一些异常包括视网膜病变产生,后来领导向不可逆的失明和视力障碍。但这些病变的早期发现和治疗可以显著降低失明。视网膜异常博士还包括出血、棉绒,微动脉瘤(MA),视网膜新生血管形成,显然和渗出液,如图 1。软渗出液(药棉斑点)例证为淡黄色或白色分心边缘的地区,但艰难的发出了黄色蜡状的补丁在视网膜。渗出液在视网膜眼底照片的存在是糖尿病性视网膜病变(最严重的原因之一 3]。努力渗出液的人工识别是基于分析师,这是一项非常耗时的任务。相反,渗出物自动识别技术可以及时准确检测困难的渗出液。这也是一个困难的任务处理因素,包括形状、质地、颜色、大小和可怜的分泌物的对比。

正常视网膜(a)和(b)糖尿病性视网膜病变 2]。

糖尿病性视网膜病变的诊断、图像处理技术,包括视盘定位、自适应阈值,图像边界跟踪,和形态学预处理,广泛用于使用视网膜眼底图像特征提取。根据( 4),早期检测视网膜渗出液可能帮助眼科医生的及时和适当的治疗影响的人。U-Net-based技术应用分割和检测的渗出液107视网膜图像。报道网络由昂贵的和流萎缩,萎缩与cnn也有类似的结构。无监督分割技术可以检测困难的渗出液的基础上,蚁群优化。实验结果与传统分割技术名为Kirsch滤波器相比,发现无监督的方法比传统方法执行( 5]。

深卷积神经网络也进行分割和检测的一个重要的角色渗出液使用数字眼底图像。谭et al。 6)开发的卷积神经网络自动辨别和段微动脉瘤,出血和渗出液。只有一个CNN的报道方法描述了可用于分割视网膜功能使用大量的视网膜数据集和适当的精度。此外,加西亚et al。 7)研究了三种分类器:多层感知器(MLP)、径向基函数(RBF)和支持向量机(SVM)检测困难的渗出液。在这个报告中,117个视网膜眼底图像使用不同的变量,包括质量、亮度和颜色。肖等人提出了一个渗出物的报告检测在糖尿病性视网膜病变的基础上的大规模评估相关的文章发表。摘要报告的作者关注最近和新兴技术包括深度学习检测和分类的糖尿病性视网膜病变视网膜眼底图像( 8]。

分割和检测的渗出液,有必要定位指定的特性。渗出物的位置分割方法分割使用数字眼底图像被报道( 9),由三个步骤包括噪声去除、渗出物在视网膜眼底图像定位,和渗出物分割的糖尿病性视网膜病变。噪声去除与匹配滤波器进行血管分割、和视神经盘分割的基础上进行了卓越的技术。此外,渗出液的位置被确定使用随机森林分类器分类补丁到渗出物和nonexudate类。最后,当地的对比和渗出物区域被确定分割的渗出液,进一步分为渗出物和nonexudate补丁。Asiri [ 10)提出了一个审查强调最近的发展领域的糖尿病性视网膜病变。糖尿病视网膜病变和视网膜黄斑变性的自动检测已成为最热门的话题之一基于最近的深度学习研究工作。

此外,巨大的工作已经完成,并自动识别渗出液的基础上,其功能包括纹理、形状和大小。著名的分泌物检测技术可以分为四个基本类型:(1)基于机器学习技术;(2)基于阈值的方法;(3)数学形态学技术;(4)区域增长的方法。

基于机器学习的算法包含监督和非监督学习方法。a . r . Chowdhury et al。 11)应用随机森林分类器的检测视网膜异常。这项技术是基于 k——分割的眼底照片和预处理由基于统计机器学习的方法和低级特性。此外,介绍了一个新颖的方法,佩尔多莫坚称et al。 12)的检测糖尿病黄斑水肿渗出液的基础上使用机器学习技术的位置。此外,卡森林等。 13)应用pretrained模型,即AlexNet和GoogleNet糖尿病性视网膜病变的检测。本文报道公认的糖尿病性视网膜病变的不同阶段使用卷积神经网络。作者强调了多项分类模型,讨论了一些问题错误分类的疾病和cnn不能在文章中。

阈值技术利用颜色强度的变化在不同的图像区域。在这种情况下,迭代阈值法的基础上提出了粒子和萤火虫群优化诊断渗出和出血 14]。阈值使用预处理技术,包括图像增强技术船舶分段使用上流社会的和伽柏转换。出血的检测的基础上进行线性回归和支持向量机分类器。此外,考尔和米塔尔( 15]报道渗出物分割技术帮助有效规划的眼科专家,博士的发现和及时治疗。作者应用动态阈值方法决定找到帮助的微弱和明亮的边缘部分硬渗出液有效地选择动态视网膜眼底图像的阈值。此外,Das和Puhan [ 16]介绍了Tsallis熵阈值技术加强在糖尿病性视网膜病变的可见性分泌物。渗出液的特性获得进一步过滤去除假阳性值sparse-based字典学习和分类。Tsallis技术的基础上,分析了公共数据集包括DIARETDB1和E-Ophtha获得更好的精度结果准确率达到了95%。

大量的贡献已检测异常在眼底图像用数学形态学的方法。形态学技术利用几个数学运营商有不同的结构元素。Jaafar et al。 17]报道一个自动化识别技术的渗出液在眼底照片。在这项工作中,纯粹的眼底彩色图像分割的新方法被应用,在第一阶段,细分流程的基础上进行变化的计算在眼底图像像素,然后形态学技术应用于过滤自适应的阈值结果的基础上细分的结果。此外,随机森林技术申请努力渗出液的检测在给定的眼底图像。在糖尿病性视网膜病变,系综分类器适用于多级细分和本地化的分泌物( 18]。渗出液的特征提取与粗粒和细粒度级别使用伽柏过滤器和形态学重建,分别。候选区域在合奏训练分类器分类渗出物和nonexudate边界。公开的数据集的四种类型,包括Messidor HEI-MED, e-Ophtha的前女友,和DIARETDB1用于实验。Harangi,不仅如此,豪伊杜还 19)也报道了一种新颖的方法来检测三个步骤的渗出液,包括候选人提取灰度形态学技术,精确边界分割contour-based技术,和渗出物分类按地区明智的分类器。Harangi et al。 20.)提出了一个分泌物检测方法使用灰度形态学和活动轮廓技术识别潜在的渗出物状态和提取精确边界的候选人,分别。

区域增长方法观察社区的开始位置和决定他们是否可以一个特定区域的一员。Lim et al。 21]介绍了改性技术的先前的研究工作。糖尿病的分类和正常黄斑水肿的帮助下进行提取的汁液。渗出液的检测是执行的基础上签署黄斑区域区分的糖尿病性视网膜病变视网膜眼底图像。轮廓的基础上,识别、Harangi,不仅如此,豪伊杜还 22]介绍了渗出物检测技术,此外,明智的分类。在这种技术中,应用形态学方法包括灰度形态学提取分泌物特性和适当的形状通过马尔可夫链的分类系统。一个新颖的方法来检测糖尿病黄斑水肿是由Giancardo et al。 23功能,包括渗出物分割的基础上,小波分解,和颜色。公开的数据集上的实验,并获得88 - 94%的准确性取决于不同的数据集。

在本研究工作中,该技术的目的是检测糖尿病性视网膜病变的渗出液使用转移学习。该工作的主要贡献是应用转移学习概念特征提取使用知名pretrained深卷积神经网络包括Inception-v3, ResNet-50, VGG-19。另外,融合进行提取特征和进一步分类softmax最终决定。

本文的其余部分组织如下:该方法在部分说明 2;实验结果和讨论部分 3。最后,研究结论在部分 4。

 2。拟议的技术

在这部分中,提出了框架基于pretrained卷积神经网络体系结构描述眼底视网膜渗出物检测和分类的图像。在拟议的框架中,三个获得好评的pretrained融合网络架构组合在一起执行特性,不同的体系结构可以捕获不同的特性;如果只有单一的体系结构采用组合多个架构,那么概率是高小姐一些有用的特性,最终,它可能影响了该框架的性能。

最初,在两个数据集上执行数据预处理规范渗出物补丁然后高斯混合技术是应用于本地化特征提取之前候选人渗出物。小说框架变得有利于低层特征提取单独3认为pretrained卷积神经网络架构包括Inception-v3 VGG-19, ResNet-50。此外,集体功能被当作输入完全连接(FC)层为进一步的行动,包括分类、由softmax分类视网膜渗出物和nonexudate补丁,如图 2。

拟议中的pretrained CNN-based框架。

 2.1。数据集

数据采集是一个重要的组成部分,提出的实验分析技术。在此建议的方法,两个视网膜公开数据集用于实验:(i) e-Ophtha和(2)DIARETDB1。E-Ophtha数据集包含47视网膜眼底图像检查四个眼科医生专家人工注释的渗出液( 24]。视网膜图像的大小变化从1400×960的分辨率为2544×696像素。DIARETDB1数据集包含89个视网膜眼底照片的分辨率1500×152 ( 25]。视网膜图像都是被指定的数字眼底图像的相机有一个50的视野。渗出液的检查在糖尿病性视网膜病变是手动执行和评估五个授权眼科医生。软、硬分泌物被贴上了“渗出”作为一个单独的类。总图像大小的标准尺寸DIARETDB1图像分辨率为1500×1152像素,和估计图像比例尺大小决定基于视网膜视神经盘的标准尺寸。样品包括影响和健康的视网膜图像e-Ophtha DIARETDB1如图 3。

视网膜图像样本e-Ophtha ((a)和(b)健康影响)和DIARETDB1 ((c)和(d)健康影响)数据库。在(a)和(c),渗出液包围。

 2.2。数据预处理

在这个阶段,输入数据标准化的准备,因为视网膜渗出液的大小的变化。图 4演示了补丁的大小之间的区别在所有视网膜渗出物提取的补丁。的长度和宽度中提取相应的补丁 X和 Y分别轴。它还确定,无知的异常值,视网膜渗出物块的集合大小的不同于25×25到286×487分辨率的大小。在这种情况下,视网膜图像的分析需要标准尺寸的补丁为更好的理解数据标签。对于这个解决方案,选择最小的块大小的识别病理专家签署的( 26]。

样本的类分泌物补丁。

在提出的模型中,25×25块大小的彩色补丁图像使用两种类型的团体包括nonexudate和渗出物。执行手动渗出物块提取,并获得36500年和75600年从e-Ophtha渗出液,DIARETDB1数据集,分别。同样,为平衡数据集,35000年和60000年被提取nonexudate e-Ophtha补丁和获得的地区和DIARETDB1数据库。视网膜nonexudate片组,有各种视网膜疾病包括视神经头,背景组织、视网膜血管。在拟议的技术,所有的补丁都获得并提取没有任何重叠,可以视为nonexudate和渗出物补丁类人物 5(一个)和 5 (b),分别。

(一)Nonexudate补丁;(b)渗出物补丁。

 2.3。感兴趣的区域定位

渗出液可以被描述为明亮的病变,突出的补丁和斑点在糖尿病视网膜病变与充满对比的黄色平面彩色眼底图像。渗出物分割特征提取的应用使用前应用感兴趣的区域(ROI)本地化。在这一步中,渗出物分割进行ROI检测到视网膜眼底图像。在这种情况下,许多方法已经使用包括神经网络、模糊模型,edge-based分割,ROI-based分割。在拟议的技术中,高斯混合方法用于渗出物本地化。Grimson Stauffer和( 27)使用高斯排序实现背景减法技术。本文混合技术的集成应用高斯混合模型(GMM)的基础上,自适应学习速率(规律)的形式达到显著的结果候选人渗出物检测。感兴趣的区域(ROI)从混合的方式获得,如图 6。投资回报是送入pretrained卷积神经网络模型特征提取获得紧凑的特征向量。

感兴趣的区域与蓝线包围。

下列方程计算出感兴趣的区域(ROI)通过高斯混合模型: (1) 米 x = ∑ p = 1 问 r 问 w x ; μ 问 , σ 问 , 在哪里 r 问 作为加权因子和来标示 w x ; μ 问 , σ 问 代表平均的标准化形式 μ 问 。自适应学习速率是描述修改 μ 问 经常与概率约束的应用 w x ; μ 问 , σ 问 认识到一个像素的一部分 问 t h 高斯分布。

 2.4。Pretrained深卷积神经网络模型特征提取

在一开始,个人深卷积神经网络模型应用于提取特征,后来,采用模型进一步结合FC层眼底图像的分类。在这种情况下的特征组合,可能有多种类型的特性包括密实度,圆度,循环提取单一形状描述符。在拟议的技术中,三个最新的和最新的深卷积神经网络架构,包括Inception-v3 [ 28),剩余网络(ResNet) -50 29日),和视觉几何组网络(VGGNet) -19 30.进一步应用),为特征提取和分类的渗出物和nonexudate糖尿病性视网膜病变。上面的CNN模型已经训练了许多标准图像描述符进行提取的显著特性的小图像,传输的基础上学习( 31日]。下面采用深卷积神经网络架构简要定义。

2.4.1。Inception-v3架构

Inception-v3架构是基于卷积的卷积网络层包括池层,解决线性操作层次,充分连接层。Inception-v3架构是设计用于图像识别和分类。该模型也是基于Inception-v3架构,各种大小的池几个卷积过滤器对创新型单一过滤器。此外,创新的滤波器不仅降低了计算复杂度,也消退的数量参数。Inception-v3也达到更好的准确性与heterogeneous-sized过滤器和低维嵌入的结合。的基本架构Inception-v3图所示 7。

基本Inception-v3架构( 28]。

 2.4.2。ResNet-50架构

残留Network-50是深卷积神经网络实现显著结果ImageNet数据库的分类( 32]。ResNet-50由无数大小的卷积过滤器来减少训练时间和管理的退化问题,是因为深层结构。ResNet-50应用在这项工作,已培训标准ImageNet数据库( 33]除了完全连接softmax层与该模型相关联。的基本架构ResNet-50图所示 8。

基本的残余Network-50架构( 29日]。

 2.4.3。VGG-19架构

视觉几何组网络模型是基于多层操作称为深层神经网络模型。这是类似与AlexNet模型除了额外的回旋的层。的扩张VGGNet架构基于kernel-sized过滤器的更换与窗口大小3×3过滤器和2×2池连续层。一般VGG-19架构包含3×3层的卷积,批准层,池层和三层完全连接4096个神经元( 30.]。VGGNet-19神经网络的性能比AlexNet建筑由于其简单性。的基本架构VGG-19图所示 9。

基本VGGNet-19架构( 30.]。

 2.5。学习和转移特征融合

在机器学习领域,转移学习被认为是一个最有用的方法,学习相关知识用于解决一个问题和应用新的相关问题。为主,转移网络学习方法是训练有素的特定工作相关的数据集,在那之后,转移到由客观目标的工作是训练数据集( 34]。在这工作,提出技术的目标是尝试知名CCN模型转移学习内容和特性融合、关于视网膜渗出物分类,并验证了结果e-Ophtha和DIARETDB1视网膜数据集。融合方法结合特征提取使用三种不同的DCNNs完全连接层。的特点这三个DCNNs合并在一起,单一特征向量。假设三个不同的CNN架构与各自的FC层表示为 (2) X = x ∈ 1、2、3 , (3) Y = y ∈ 1、2、3 , 在方程( 2)代表三个CNN模型和方程( 3)说明FC层。因此,提取的特征向量空间特性相结合 F V ⊕ ,维度” d ”,可以被描述为 (4) F V ⊕ = X + Y 。

转移上优于技术实现与pretrained Inception-v3, ResNet-50,从ImageNet VGGNet-19架构。将学习设置跟踪处理持续的神经网络模块的固定特征提取器不同的数据集。一般来说,转移学习持有主pretrained典型的权重和提取图像特征通过总结网络层。大多数情况下,大量的数据是强制性的火车从刮然而有时卷积神经网络;很难组织大量的数据库相关的问题。相反的极限情况下,对于大多数实际的应用程序中,这是一个困难的工作,也很少发生在实现类似的培训和测试数据。在这个场景中,将学习方法了,也被证明是卓有成效的技术。有两种转移学习方法的主要步骤:首先,pretrained架构的选择;其次,问题相似,它的大小。在选择阶段,pretrained架构的选择是基于相关的问题与目标相关的问题。 In the case of similarity and size of the dataset, if the amount of the target database is lesser (for example, smaller than one thousand images) and also relevant to the source database (for example, vehicles dataset, hand-written character dataset, and medical datasets), then there will be more chances of data over fitting. In another case, if the amount of the target database is sufficient and relevant to the source training database, then there will be a little chance of over fitting and it just needs fine tuning of the pretrained architecture. The deep convolutional neural network (DCNN) models including Inception-v3, ResNet-50, and VGG-19 are applied in the proposed framework to utilize their features on fine-tuning and transfer learning. In the beginning, the training of the selective convolutional neural network models is performed using sample images taken by the standard publicly available “ImageNet” database; moreover, the idea of transfer learning for fused feature extraction has been implemented. In this case, the proposed technique assists the architecture to learn the common features from the new dataset without any requirement of other training. The independently extracted features of all the selective convolutional neural network models are joined into the FC layer for further action including the classification of nonexudate and exudate patch classes performed by softmax.

 3所示。结果与讨论

这些实验是进行“Google Colab”使用图形处理单元(gpu)。绩效评估,选择两个公开的标准数据集进行实验。训练阶段分为2会话,每个会话完成实验任务花了6个小时。拟议的技术训练的设计框架3类型的卷积神经网络架构包括Inception-v3 ResNet-50, VGG-19分别,在那之后,学习执行转移到转移的知识提取的数据融合功能。从个人卷积神经网络获得实验结果比较和分析的熔融特性集伴随着各种现有方法。10倍交叉验证方法是申请绩效评估。交叉验证是一个重采样过程用来评估机器学习模型在有限的数据样本。这个过程只有一个参数 k指群体的数量给定数据样本分成。因此,程序通常被称为k-fold交叉验证。当一个特定的值 k选择,它可以代替吗 k在参考模型中,如 k= 10成为10倍交叉验证( 35]。输入数据分为不同比率的训练和测试数据集用于该方法的实验。分割数据在三种不同的方式执行测试培训的比例为70%和30%,同样80%的训练,20%的测试、培训和90%和10%测试CNN架构。表 1显示了三个个人CNN的比较分析架构与技术的基础上,提出数据分割使用e-Ophtha数据集。

比较分类精度模型的结果与个别CNN模型使用e-Ophtha分泌物检测数据集。

CNN模型 数据分割
培训(%) 测试(%) F1的分数 回忆 精度 分类精度(%)
Inception-v3 70年 30. 0.95 0.98 0.92 92.50%
80年 20. 0.93 0.94 0.92 92.90%
90年 10 0.94 0.92 0.96 93.67%
ResNet-50 70年 30. 0.94 0.98 0.91 90.67%
80年 20. 0.94 0.98 0.90 95.70%
90年 10 0.98 0.97 0.99 97.80%
VGG-19 70年 30. 0.94 0.99 0.90 92.33%
80年 20. 0.94 0.93 0.95 95.80%
90年 10 0.94 0.90 0.89 93.50%
提出的模型 70年 30. 0.96 0.96 0.97 97.98%
80年 20. 0.96 0.97 0.95 98.43%
90年 10 0.95 0.96 0.95 97.90%

同样的,表 2说明了个人的架构和提出技术结果使用DIARETDB1数据集的分类精度。

比较分类精度模型的结果与个别CNN模型使用DIARETDB1分泌物检测数据集。

CNN模型 数据分割
培训(%) 测试(%) F1的分数 回忆 精度 分类精度(%)
Inception-v3 70年 30. 0.95 0.98 0.93 93.10
80年 20. 0.93 0.94 0.92 93.30
90年 10 0.95 0.94 0.97 93.57
ResNet-50 70年 30. 0.95 0.99 0.92 90.57
80年 20. 0.94 0.98 0.90 96.10
90年 10 0.98 0.98 0.98 97.90
VGG-19 70年 30. 0.94 0.98 0.90 93.12
80年 20. 0.93 0.92 0.95 95.50
90年 10 0.91 0.93 0.90 93.76
提出的模型 70年 30. 0.96 0.97 0.96 98.72
80年 20. 0.95 0.96 0.95 98.91
90年 10 0.96 0.96 0.96 97.92

分类性能的上下文中,一个真正的正面是一个正确的模型预测结果的积极类。同样,真正的负面结果的模型是否正确预测负类。然而,假阴性(FN)和假阳性(FP)代表样本,更进一步的模型。下面的方程可以应用的性能评估。

准确性:这是一个测量用来评估模型的有效性识别正确的类标签,可以由以下公式计算: (5) 精度 = T N + T P T N + T P + F N + F P × One hundred.

F-measure:平均分类器的精度和召回范围在0和1之间。最好和最差分数是由“0”和“1”,分别计算如下: (6) 精度 = T P F P + T P , 回忆 = T P F N + T P , F 1 分数 = 2 × 回忆 × 精度 回忆 + 精度 。

表 1也说明了输出,渗出物补丁,各自的F1得分,还记得,精度值,和准确性。分类精度最高的个人CNN架构和提出技术的帮助下实现分割数据的方法。总的来说,提到,建议的方法达到视网膜渗出物检测的重要分类精度比个人CNN架构。使用e-Ophtha数据集,表 1表明,分类精度最高的个人CNN架构包括Inception-v3 ResNet-50, VGG-19是93.67%,97.80%,和95.80%,分别,但该方法获得98.43%的分类精度。使用DIARETDB1数据集,表 2说明了分类精度最高的个人CNN架构包括Inception-v3 ResNet-50, VGG-19是93.57%,97.90%,和95.50%,分别,但该方法获得98.91%的分类精度。

为了更好地理解分类精度的结果,图 10和图 11显示该模型的分类精度比较对各个模型使用e-Ophtha和DIARETDB1数据集,分别。

比较使用e-Ophtha数据集分类精度的结果。

比较使用DIARETDB1数据集分类精度的结果。

此外,表 3比较结果证明了提出的框架和现有的熟悉的方法检测视网膜渗出液。表 3说明了分类精度的 18)为87%,( 36)92%, 37为97.60%和98.20%。但拟议的框架实现的精度高于上述技术使用e-Ophtha和DIARETDB1数据集。

比较分类精度的方法和现有的方法。

一年 方法 数据库 精度(%)
2017年 Fraz et al。 18] DIARETDB1 87.00
2018年 莫等。 36] e-Ophtha 92.00
2019年 Khojasteh et al。 37] e-Ophtha 97.60
DIARETDB1 98.20
提出了框架 e-Ophtha 98.43
DIARETDB1 98.91

拟议的框架比较分类性能对( 37有点高,但提取的特性通过该框架可以支持最终结果特别是在临床实践非常有意义。比较分析表明,该pretrained CNN-based转移学习技术优于现有的单个方法的准确性对数据集的检测视网膜渗出液。

 4所示。结论

在这篇文章中,一个pretrained卷积神经网络(CNN)——基础框架提出了检测视网膜渗出液在眼底图像使用转移学习。在拟议的框架中,pretrained模型,即Inception-v3,剩余Network-50 (ResNet-50)和视觉几何组Network-19 (VGG-19),用于从眼底图像中提取特征,基于转移学习分类精度的提高。最后,该模型的分类精度与各种DCNN模型分别相比,以及与现有的技术相比。提出传输上优于框架已被评估和杰出的结果的准确性得到,而不是从头开始训练。因此,建议的方法的准确性优于其他现有技术的检测视网膜渗出液。在未来的工作中,该框架可以修改歧视软硬渗出液。此外,该框架还可以扩展为糖尿病性视网膜病变诊断出血和微动脉瘤。

 数据可用性

在实验中,数据用于支持拟议的框架的结果是可用的 http://www.adcis.net/en/Download-Third-Party/E-Ophtha.html和 http://www.it.lut.fi/project/imageret/diaretdb1/index.html。

 的利益冲突

作者宣称没有利益冲突。

 确认

作者感谢博士神经元体细胞的萨那(黑带),提供关于糖尿病性视网膜病变的知识。这项工作是支持中国国家重点研发项目的一部分在2018 yff0214700格兰特。

 https://www.who.int/news-room/fact-sheets/detail/diabetes Mateen M。 温,Nasrullah J。 首歌 年代。 黄 Z。 眼底图像分类使用VGG-19架构与PCA和圣言 对称 2019年 11 1 许 W。 Pallawala p . m d S。 李 m . L。 Eong k·g·A。 领域知识的作用的检测视网膜渗出液 2001年IEEE计算机学会学报计算机视觉与模式识别会议。CVPR 2001年12月 考艾岛,嗨,美国 IEEE Zabihollahy F。 Lochbihler 一个。 Ukwatta E。 基于深度学习的方法完全自动化的检测和分割的渗出物从视网膜图像 2019年美国医学成像:在分子生物医学应用,结构和功能成像 2019年1月 圣地亚哥,加州,美国 施普林格 佩雷拉 C。 Goncalves l 费雷拉 M。 渗出物分割眼底图像中使用一个蚁群优化方法 信息科学 2015年 296年 14 24 10.1016 / j.ins.2014.10.059 2 - s2.0 - 84961289189 棕褐色 j . H。 藤田 H。 Sivaprasad 年代。 自动分割的分泌物、出血、微动脉瘤使用单一的卷积神经网络 信息科学 2017年 420年 66年 76年 10.1016 / j.ins.2017.08.050 2 - s2.0 - 85027565220 加西亚 M。 桑切斯 c。I。 洛佩兹 m . I。 Abasolo D。 Hornero R。 基于神经网络的检测硬渗出液的视网膜图像 计算机在生物医学方法和项目 2009年 93年 1 9 19 10.1016 / j.cmpb.2008.07.006 2 - s2.0 - 58149121291 肖 D。 下榻的饭店 一个。 霜 年代。 Vignarajan J。 卡尼 m·l·T。 Kanagasingam Y。 主要自动糖尿病视网膜病变筛查系统及相关核心算法:一个回顾 机器视觉和应用程序 2019年 30. 3 423年 446年 刘 Q。 邹 B。 陈 J。 location-to-segmentation策略自动分泌物颜色分割视网膜眼底图像 计算机医学影像和图形 2017年 55 78年 86年 10.1016 / j.compmedimag.2016.09.001 2 - s2.0 - 84994526152 Asiri N。 基于深度学习的计算机辅助诊断系统对糖尿病性视网膜病变:一项调查 2018年 arXiv预印本arXiv: 1811.01238 Chowdhury a。R。 Chatterjee T。 巴纳吉 年代。 随机森林classifier-based方法的异常检测视网膜 医学和生物工程和计算 2019年 57 1 193年 203年 10.1007 / s11517 - 018 - 1878 - 0 2 - s2.0 - 85052155640 佩尔多莫坚称 O。 Otalora 年代。 罗德里格斯 F。 Arevalo J。 冈萨雷斯 f。 基于渗出物的一种新的机器学习模型定位检测糖尿病黄斑水肿 美国眼科医学图像分析第三国际研讨会 2016年10月 希腊雅典 卡森林 d . Y。 自动检测使用深度学习的糖尿病性视网膜病变 AMIA峰会转化科学程序 2018年 2018年 147年 亚当 K。 间̇米 M。 黛米̇r 年代。 检测视网膜出血的图像使用线性分类器基于萤火虫和迭代阈值方法和粒子群优化算法 土耳其的电气工程和计算机科学杂志》上 2019年 27 1 499年 515年 10.3906 /麋鹿- 1804 - 147 2 - s2.0 - 85062989900 考尔 J。 米塔尔 D。 一个通用的分割方法病理性视网膜眼底图像的渗出液 生物控制论和生物医学工程 2018年 38 1 27 53 10.1016 / j.bbe.2017.10.003 2 - s2.0 - 85032953222 达斯 V。 Puhan n . B。 Tsallis熵和稀疏重建字典学习分泌物检测在糖尿病性视网膜病变 医学影像杂志 2017年 4 024002年 10.1117/1. jmi.4.2.024002 2 - s2.0 - 85021670753 扎阿 h·F。 南帝 答:K。 Nuaimy w·A。 渗出液的检测视网膜图像使用纯粹的分割技术 2010年度国际会议的IEEE工程在医学和生物学 2010年9月 布宜诺斯艾利斯,阿根廷 IEEE 6745年 6748年 Fraz M . M。 贾汗季 W。 Zahid 年代。 Hamayun M . M。 酒吧间招待员 美国一个。 多尺度分割视网膜渗出液的使用语境线索和系综分类图像 生物医学信号处理和控制 2017年 35 50 62年 10.1016 / j.bspc.2017.02.012 2 - s2.0 - 85014571240 Harangi B。 不仅如此,豪伊杜还 一个。 自动分泌物检测通过融合多个活跃的轮廓和regionwise分类 计算机在生物学和医学 2014年 54 156年 171年 10.1016 / j.compbiomed.2014.09.001 2 - s2.0 - 84907690185 Harangi B。 拉扎尔 我。 不仅如此,豪伊杜还 一个。 自动分泌物检测利用活动轮廓模型和regionwise分类 2012年度国际会议的IEEE工程在医学和生物学 2012年8月 圣地亚哥,加州,美国 IEEE 5951年 5954年 Lim 年代。 扎基 W·m·d·W。 侯赛因 一个。 Lim s . L。 Kusalavan 年代。 糖尿病性黄斑水肿的自动分类在数字眼底图像 2011年IEEE关于人文、科学和工程 2011年12月 马来西亚槟城 IEEE 265年 269年 Harangi B。 不仅如此,豪伊杜还 一个。 渗出液的检测使用马尔可夫链的眼底图像分割模型 IEEE 2014年第36届国际会议在医学和生物学社会工程 2014年11月 美国芝加哥 IEEE 130年 133年 Giancardo l Meriaudeau F。 Karnowski t P。 Exudate-based糖尿病黄斑水肿检测眼底图像中使用公开的数据集 医学图像分析 2012年 16 1 216年 226年 10.1016 / j.media.2011.07.004 2 - s2.0 - 82355185836 Decenciere E。 Cazuguel G。 张 X。 teleophthalmology TeleOphta:机器学习和图像处理方法 Irbm 2013年 34 2 196年 203年 10.1016 / j.irbm.2013.01.010 2 - s2.0 - 84876118589 正处在 T。 Kalesnykiene V。 Kamarainen j。 diaretdb1糖尿病性视网膜病变的数据库和评估协议 英国机器视觉的Procedings会议2007 2007年9月 英国华威大学 英国机器视觉协会 1 10 曹 W。 微动脉瘤检测眼底图像中使用小型图像补丁和机器学习方法 2017年IEEE国际生物信息学和生物医学会议(BIBM) 2017年11月 堪萨斯州,密苏里州,美国 IEEE 325年 331年 Stauffer C。 Grimson w·e·L。 混合自适应背景模型的实时跟踪 诉讼。1999年IEEE计算机协会会议在计算机视觉和模式识别 1999年6月 科罗拉多州柯林斯 IEEE 246年 252年 Szegedy C。 刘 W。 贾 Y。 与旋转会更深 《IEEE计算机视觉与模式识别会议 2015年6月 波士顿,美国 IEEE 1 9 他 K。 张 X。 任 年代。 太阳 J。 深层残留图像识别的学习 《IEEE计算机视觉与模式识别会议 2016年6月 美国内华达州拉斯维加斯 IEEE 770年 778年 Simonyan K。 Zisserman 一个。 很深的卷积网络大规模图像识别 2014年 arXiv预印本arXiv: 1409.1556 Yosinski J。 可转让的特性在深层神经网络如何? 先进的神经信息处理系统 2014年 3320年 3328年 余 Y。 形态分类为医学图像使用多个深卷积神经网络 《计算机信息系统 2015年 11 5403年 5413年 Russakovsky O。 邓 J。 苏 H。 Imagenet大规模视觉识别的挑战 国际计算机视觉杂志》上 2015年 115年 3 211年 252年 10.1007 / s11263 - 015 - 0816 - y 2 - s2.0 - 84947041871 杨 l Hanneke 年代。 Carbonell) J。 一个理论的学习与应用程序转移到主动学习 机器学习 2013年 90年 2 161年 189年 10.1007 / s10994 - 012 - 5310 - y 2 - s2.0 - 84880569678 Brownlee J。 温柔的介绍k-fold交叉验证 2018年 7 2018年 莫 J。 张 l 冯 Y。 Exudate-based糖尿病黄斑水肿视网膜图像中识别使用级联深残余网络 Neurocomputing 2018年 290年 161年 171年 10.1016 / j.neucom.2018.02.035 2 - s2.0 - 85042383170 Khojasteh P。 Passos初级 l。 卡瓦略 T。 渗出物在眼底图像使用deeply-learnable特性检测 计算机在生物学和医学 2019年 104年 62年 69年 10.1016 / j.compbiomed.2018.10.031 2 - s2.0 - 85056215478