没有合适的资源?快使用搜索试试~ 我知道了~
⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8(2022)142www.elsevier.com/locate/icte基于改进CLAHE滤波器和转移卷积神经网络的视网膜疾病识别西南湾Mohammed Sheeta,M.A.,Tian-Swee Tanb,M.A.AsJoyce S.Y. 西亚ba伊拉克摩苏尔北方技术大学摩苏尔技术工程学院b马来西亚柔佛州马来西亚科技大学生物医学工程和健康科学学院c马来西亚吉兰丹州马来西亚萨恩斯大学医学院健康校区接收日期:2020年12月23日;接收日期:2021年3月24日;接受日期:2021年5月2日2021年5月8日网上发售摘要视网膜组织在人类视觉中起着至关重要的作用。视网膜组织感染和延迟治疗或未经治疗的感染可能导致到失明此外,当涉及庞大的数据集时,诊断容易出错。因此,提出了一种全自动的视网膜疾病识别模型,以减少人为交互,同时保留其高精度的分类结果。本文介绍了一种改进设计的全自动多类别视网膜疾病预测系统,以帮助眼科医生进行快速和准确的调查。从stare网站下载本研究中使用的视网膜眼底图像(来自五个类别的157张图像:BDR、CRVO、CNV、PDR和正常)。这五个档案是由经验丰富的专家根据注释进行分类的。分类后的图像首先用改进的对比度限制自适应直方图滤波器处理用于图像亮度增强、噪声降低和强度谱归一化。该模型采用迁移学习方法和微调的预训练RESNET50进行设计。最后,所提出的框架与性能评估参数进行了检查,记录了100%的敏感性,100%的特异性和100%的准确性的分类率。与最先进的研究相比,所提出的模型的性能表现出了巨大的优越性c2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:视网膜疾病;眼底图像;卷积神经网络;(CLAHE)滤波1. 介绍眼睛是人类视觉的主要器官它与受骨骼屏障保护的大脑有几个人眼有纤维层和一对血液来源,连接到视网膜中的特定神经层。眼睛和大脑的内腔充满了类似的液体,并且在相当的压力下,感染可能会影响眼睛和中枢神经系统。因此,医生应该注意那些倾向于同时影响患者∗ 通讯作者。电子邮件地址:Sinan_sm76@ntu.edu.iq(S.S.M.表),tantswee@utm.my(T.-S. Tan),sari@biomedical.utm.my(M.A.Ashazabbah@usm.myHitam)、ssyjoyce2@live.utm.my(J.S.Y.Sia)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2021.05.002图1示出了健康眼睛和不同疾病进展的五类视网膜图像。事实上,离开视网膜疾病而不接受任何治疗可能会导致失明,在一些情况下[2]。根据Hagiwara等人的研究,医生通过边界跟踪确定视觉部分的缺陷,通常是通过周长测量来评估角膜宽度,通过眼压测量来检测不正确的眼内压,通过检眼镜检查设备来跟踪昏迷的视神经环[3]。这些测试过程只能由经过培训的眼科医生进行。尽管如此,视网膜疾病诊断通常通过分析和评估捕获的视网膜图像来进行,因此该过程可以这是一个很长的时间,即使是熟练的眼科医生[4]。与此同时,全球眼疾患者人数的增加可能会加剧延迟发现疾病的情况。Kaur等人声称,2015年,全球约有40万人失明,而260万患者因视网膜疾病而面临严重的视力障碍。2405-9595/2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142143Fig. 1. 五种不同图像类别的示例:BDR、(CNV& Hist)、CRV、PDR和正常。疾病[5]。简而言之,繁琐的诊断过程可能会导致严重的视网膜组织损伤和调查过程中人为错误相反,计算机辅助自动诊断模型在解决上述缺点方面表现出强大的能力,并可能成为最近研究的主要方法[4]。从人工检测到机器检测的转变,为医学图像处理提出了新的思路,典型的是疾病分析与多分类。视网膜疾病包括眼部疾病、脑瘤疾病、乳腺癌疾病、直肠疾病和心脏疾病[6]。在视网膜摄影中通常实施的技术是此外,更新的技术由于其简单性、广泛的可访问性以及在提供彩色图像方面的实用性(这在文档中至关重要),已被更广泛地应用于捕获眼底镜图像[2,7]。机器检查(神经网络假设)涉及各种程序,例如在图像数据集中区分多种疾病的分类器[5,8,9],以及在区分视网膜疾病中提取特征集的训练模型[10在医学图像处理中,专家们越来越关注AI(人工智能)在分析,疾病诊断和预测中的干预[13,14]。此外,DL(深度学习)方法在从胸部X射线图像和糖尿病视网膜病变(DR)诊断和预测肺结核方面做出了令人印象深刻的贡献[15,16]。值得注意的是,在最近的研究中,眼部疾病有两个主要阶段。第一阶段的目的是发现症状糖尿病视网膜病变(DR)(包括青光眼、年龄相关性黄斑变性、早产儿视网膜病变和屈光不正)。第二阶段是一个新的研究领域,涉及各种新的视网膜疾病,例如脉络膜新生血管[CNV]、黄斑变性AMD和糖尿病性黄斑水肿(DME)[12]。自动诊断模型在疾病识别(卷积神经网络)中使用CNN辅助[17由 [21] 引 入 的 对 比 度 限 制 自 适 应 直 方 图 均 衡(CLAHE)滤波器被证明可有效改善微动脉瘤像素。有两种图像对比度增强方法可以改善静脉首先,CLAHE滤波器设法在静脉中产生足够的增强,并且在处理嘈杂的环境。该滤波器的性能优于其他全局增强方法,如传统的对比度扩展和一般的直方图均衡。提高纹理对比度的方法之二是采用独立元分析法。近年来的研究主要包括图像预处理阶段的几种图像增强技术,包括图像灰度转换、光谱归一化、CLAHE亮度增强和伽玛调整等,以改善图像的整体外观。第三预处理步骤旨在增强整个数据集的(前景该过程最终以数据扩充结束。提出了一种显式设计的对比度增强方法,称为显著感兴趣区域(RoI)对比度增强(PROICE),以提高RoI子分布的独特性然而,眼底图像的大部分像素是黑色像素,这可能会经历过度的增强效应,从而可能扭曲图像的整体可见性。Long等人声称MA识别的准确性与图像质量密切相关[25],因此需要进一步的预处理步骤。CLAHE通常用于改善背景和着色暗区(阴影校正图像中的BV、HM和MA)之间的区别。基于预训练网络的迁移学习在网络精度上有显著的提高,并且它只适用于训练较小数据集的网络,特别是医学成像的情况。一般来说,迁移学习技术是一个重用已应用于其他应用程序的现成神经网络的过程。需要额外的细化过程来识别新的对象区域(例如眼底图片中的青光眼检测)。为了对网络进行微调,将原始设计的权值作为初始标记,然后调整权值以平移预训练的网络在另一个对象识别中更相关(例如,用于检测视网膜图像中的一般图像的变换网络D. Le et al. [26]提出了一项研究,旨在评估深度学习在从相干断层扫描血管造影数据集中识别糖尿病视网膜病变方面的可行性,其中转移学习方法基于预训练的VGG16网络进行强OCTA分类。在通常情况下,普通的CNN需要大量的训练集,这是不太可行的训练标记的医学图像,由于其高要求的专家在注释和有限的数据样本。因此,X. Li等人建议通过在四个预先训练的网络中使用迁移学习技术来筛 选 小 数 据 集 , 即 Alex-Net , Vgg-s , VggNet-vd-16 和VggNet-vd-19 [27]。优化的预训练网络专注于提取眼底特征,这些特征随后被馈送到支持向量机(SVM)分类器,以最大限度地减少过拟合问题,可能会在训练小数据集调用。Prokofyeva在信息不充分时为深度迁移学习概括了一系列预处理步骤方面做出了显著贡献[28]。在这项工作中,一种新的设计的自动视网膜疾病检测模型,以确定各种眼睛疾病已经SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142144图二、拟 议 办 法 的框架。提出了该模型简化了传统的模型,并引入了一系列的预处理程序,使疾病识别的准确率高。此外,自动化框架降低了人类的注意力水平,从而大大提高了其效率。视网膜疾病分类是通过预先训练的卷积神经网络进行的,这些神经网络经过微调以适应视网膜疾病的情况。然后使用开源数据库(视网膜结构分析“STARE”)(152张图像)研究微调的网络然后使用评估指标(即准确性、灵敏度和特异性)检查模型的性能。在每一个措施的框架取得的分数进行了比较,以最先进的方法。此外,还采用了一系列的预处理技术来减少过拟合现象以达到更高的准确率。所提出的预处理方法设法提高视网膜图像的方面。一般来说,建议的模型可以提供更好的特征检测比分类精度。图2是所提出的方法的一般说明。2. 材料和方法2.1. 材料获取具有一致标签(BDR、CRVO、CNV、PDR和正常)的一组视网膜眼底图像。图像用标签注释,成为下一阶段的训练数据集。本研究不包括具有严重伪影失真的眼底图像。仅从图像存储中获得具有由眼科医生注释的强一致标记的图片。主动策略包括在开发简单的CNN模型中的一系列处理阶段,以增强图像边界并将图像分类到其相应的疾病类别。我们还采取了必要的步骤来检查是否有任何图片需要额外的调整,以获得良好的图像视觉效果,从而有助于产生高质量的图像。图3.第三章。拟 定 方法的流程图。疾病识别的准确率每一个阶段都在Fig. 3 .第三章。新初始化的网络在具有Windows操作系统的计算机上训练,Intel Core i9-10900X @3.70 GHz CPU,128 Gb RAM和AMD Radeon RX 5700显卡,8 Gb RAM。2.1.1. 数据集采集该数据集从STARE(视网膜结构分析)网络数据库下载。该数据库提供了400张原始眼底镜图像,涵盖了各种病例,包括13种疾病和正常病例[7]。2.2. 眼底准备部分眼底图像出现视网膜倾斜、不必要的畸变、模糊等现象.在收购过程中。这些条件要求有必要优化图像特征,以改善疾病类别识别中训练的CNN。SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142145×××=见图4。常规CLAHE和升级CLAHE预处理的眼底图像,具有各种(T/Th)。2.2.1. CLAHE雇用实验了几种图像处理方法对数据集进行处理。然而,CLAHE在提高预测精度方面提供了最大的改进。CLAHE以预定义的裁剪值裁剪直方图,以避免过度的对比度增强,这可能导致处理后的图像具有奇怪的外观和不期望的伪影[30]。此外,实施不适当的对比度改善技术可能导致消失区域(通常是微小静脉)的显示不佳。通过在滤波器中的固定对比度点上添加全局阈值,升级后的CLAHE可以克服这个问题随后,目标图像将根据预定义的全局阈值 自适 应地 改善 。 改进 的CLAHE , 它超 越了 传统 的CLAHE提供的固定裁剪功能的优越性是例证图4和5.值得注意的是,该模型大大提高了图像的清晰度,特别是微小静脉。随后,我们进行了归一化,以在适当的范围内增加更宽的强度分布,并允许将更多有价值的特征输入CNN模型。观察图像可能会导致不希望的失真,见图中外边界的光环。四、这个问题可以通过用原始的暗背景替换该区域(亮环)来解决。校正过程可以在“LAB”颜色空间中操作图5示出了在T/80处用CLAHE方法和修改的CLAHE增强的图4当量(1)表示常规CLAHE的削波极限,而Eq.(2)说明了该方法所提供的可控阈值夹持极限=[]+[β.(−[])](1)图五. 传统CLAHE增强图像的直方图(左)和具有各种T划分的升级CLAHE增强图像的直方图(右)。其中T是全局阈值,β是每个块中的像素数量,β是剪辑因子,L是灰度。2.2.2. 扩增步骤训练网络的分类准确性在很大程度上取决于训练数据集的大小,训练数据集由足够的变量组成。由于训练数据的限制,增强方法通常被应用于馈送网络。本研究中应用的增强包括将数据集图像旋转30度11次(范围从30°到330°)。这一阶段用于为CNN网络提供不同视图的图像,从而形成一个经过训练的网络,可以从不同方向识别感兴趣区域。表3示出了在应用增强步骤之后训练组和验证组中的眼底图像的数量。2.3. 单CNN模型在过去的几十年里,已经提出了不同的CNN模型。它们在具有不同窗口大小的卷积层数量、使用的内核滤波器类型、最大池层(平均值和最大值)、训练网络时的求解器(“sgdm”、“rmsprop”和“adam”)、批量大小和历元大小方面进行了不同的设计。本文提出的CNN模型由深度为4的卷积层组成;而使用的内核大小为3 3,步幅等于1。 为了保持功能图的范围,添加了一个像素填充.与max-pooling层类似的情况大小为2 * 2,步幅等于2。在最后阶段,图像被压缩到一维矩阵中的全连接的密集层。最后一个密集层应用soft-max激活将结果转换为基础模型中的1 6向量(正常和异常),并最终根据其疾病类别将图像分类为1 2向量。的soft-max函数转换全连接的输出L L夹持极限T80(二)分布到概率分布中。分类决策是参考它们在每个疾病类别中的概率做出的SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142146××==图第六章使 用 预先训练的网络对视网膜眼底图像进行分类的方法流程图。在大多数情况下,多类分类模型的主要缺点是过拟合[31]。通常,所提出的单个CNN网络旨在在进入下一个分类阶段之前检查增强的眼底图像的质量。在这个阶段应用了一个小型CNN网络,因为具有许多层的常规CNN可能会消耗更长的时间。2.4. CNN-迁移学习法加入CNN网络的主要贡献之一是将数据存储必需品组合到单个数据存储中[32]。变量的输入被阻塞在单个输入层中。在大多数情况下,使用最广泛的预训练网络是“Google-Net”,“Vgg 16”和“RESNET 50”。预训练网络的主要贡献者是分类器,特征提取器和深度迁移学习。.RESNET50被证明具有更好的特征提取,与其他CNN网络相比,其准确率为67%。残差网络“50”被认为比“图像网络”具有更重要的结果。RESNET 50由几个维度的卷积滤波器组成,可以最大限度地减少训练周期并避免过拟合问题。因此,在本研究中实施了RESNET 50,因为该网络之前使用“Image-Net”数据库进行了训练输入RESNET 50网络的图像大小为2242243,其例示了宽度、高度和通道。随后,我们将迁移学习应用于融合特征提取,其中包含来自未训练数据集的特征。因此,所提出的技术可能有助于架构从原始图像中学习共同特征,而无需对共同数据进行额外的训练,这确实最大限度地减少了所需的训练时间。合并后的连接层,该连接层被指定为具有五个类别标识和前面提到的在”Image-Net”数据上预先训练的RESNET 50网络事实上,全连接层[34]消耗的处理时间比其他层长。然而,这个问题被迁移学习概念克服了,图6示出了所提出的自动化视网膜疾病检测模型的总体框架。3. 结果在深度学习中,有几个关键因素需要考虑,例如epoch和学习率。根据经验确定了最佳参数组合,以获得更好的训练性能和分类精度。使用的训练图像的数量为650个图像,以及来自五种疾病类别的280个图像用于验证这些图片被随机分为训练集(70%)和测试集(30%)。表1示出了由所提出的单个CNN模型产生的输出的准确性、灵敏度和在分类表示的框架中,“真阳性值”是恰当地预测阳性类别的结果。此外,真负值(TN)是恰当地预测负类的结果。同时,假阴性值(FN)和假阳性(FP)表示错误分类的样本。采用这些参数,准确度、特异性和灵敏度的公式可表示如下[35]:特征被输入到新的FC层进行分类,背景糖尿病视网膜病变、视网膜中央静脉阻塞、脉络膜新生血管形成、增殖性糖尿病视网膜病变和正常情况的阳离子。 图 7、充分体现了森·T·PTP+TNSpeTN(TN+ FP)(三)(四)SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142147=见图7。一个草图来解释迁移学习的概念。(BDR:背景糖尿病视网膜病变,CRVO:视网膜中央静脉阻塞,CNV:脉络膜新生血管形成,PDR:复发性糖尿病视网膜病变和正常病例)。表1多个单个CNN模型的输出参数单个CNN分类疾病准确度%灵敏度%特异性%一BBC1CNV_histBDR100100100BC2PDRBRV100100100BC3CRVO正常100100100Bc4CNV_hist正常100100100Bc5BDRPDR100100100ACC(TN+TP)(TN+FP+TP+FN)(五)尽管如此,眼底图像中的疾病诊断在涉及卷积的最近方法从混淆矩阵得到的结果来看,该模型的误分类率为零,敏感性为100.0%,特异性为100.0%。结果,分类模型产生了100%的准确率。图8清楚地表明,当参数设置如下时,验证准确率上升到100%:100个epoch,学习率为0.0003,以及在262分钟内经过的时间,见表2。增强后的图像总数为1800。由于RESNET 50通常处理具有相同枚举图像的组,因此我们根据眼底图像的最小枚举图像类别使用软件调整组的图像,在我们的情况下,这是186张图像和960张图像用于训练和验证。所提出的RESNET 50的分类精度如图所示。八、表2显示了训练图以及迁移学习RESNET 50的参数4. 讨论4.1. 单个CNN网络深度学习在医学图像调查、分析和重建中得到了广泛的应用[36]。神经网络(CNN)。提出的单个CNN被用作评估升级后的CLAHE增强图像的仪表。返回参考图4显示了四幅增强后的眼底图像,通过验证精度测试,发现T/80处的裁剪参数可以达到最佳的图像增强效果通常,所提出的单个CNN框架在其精度和其高分类准确性方面表现出色,如表1所示。4.2. 迁移学习法所提出的技术是在名为RESNET 50的修改后的CNN上训练的[34]。将RESNET50网络输出的实验结果与融合特征集以及不同的现有方法(包括特征提取和迁移学习)进行了比较和分析。迁移学习方法被证明具有最佳性能,参见图。第七章转移的CNN设法将视网膜疾病准确地分类到各自的类别中,而转移学习方法则需要SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142148图八、建 议 的转移RESNET 50模型的混淆矩阵。表2建议的传输RESNET 50的训练图值表4所提出的模型与[31]中的相关工作之间的比较验证精度训练时间训练周期验证频率学习率方法该方法一种方法[31]百分百262分钟(epoch)10065次迭代0.0003增加的数量9602484图像表3应用增强后训练组和验证组中眼底图像的分布。数据集编号视网膜疾病分类灵敏度100%40%-100%特异性100%99%-100%训练集验证集深度学习技术百分之七十百分之三十迁移学习百分之八十百分之二十迁移学习更短的训练过程,而不是从头开始训练模型,如图 所示。 八、根据表2和图。8,所提出的预训练RESNET50网络在增强实施后提供了良好的分类准确性,尽管可用的训练数据集有限。所提出的设计与以前研究中介绍的最先进的方法具有竞争力。先前研究中提出的使用(VGG19)网络和(STARE)数据库的自动检测模型的分类准确率达到95.63%,验证准确率达到92.99%,灵敏度范围为40%至100% [31]。表4总结了本研究与先前研究之间的优势。所提出的框架显示出优越性时代100 50即使输入训练数据集较小,其分类准确性也是如此。除了深度转移方法外,表5还显示,与[18]中的先前研究相比,所提出的模型能够基于深度特征提取方法实现更高的分类准确度。5. 结论晚期治疗或未经治疗的感染会导致失明。因此,早期发现视网膜感染至关重要。在 本文对CLAHE技术进行了改进,CNNResNet50VGG19预训练分类百分百95.6精度BDR CRVOCNVPDR正常培训186 186186186186验证56 56565656SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142149表5使用特征提取技术在STARE数据集上测试不同模型的性能网络精度[18]第十八话81.6%[18]第十八话百分之八十五点五[第18话]83.21%WP_CNN_101 [18]百分之九十点八四该模型百分之九十六点七亮度已被引入。在CNN(RESNET50)模型上使用迁移学习方法分析增强的眼底图像以诊断视网膜疾病。与其他流行的方法相比,所提出的方法在视网膜疾病检测所提出的模型是完全独立的突变特征的变化,因此它可以应用于眼科医生在视网膜疾病的预测。然而,所提出的模型有一个缺点,即它的分类只涵盖五个视网膜类。因此,需要进一步的调查,以评估该模型在检测更多的疾病病例。该模型所提供的优越性能有可能被添加到检查视网膜的筛选医疗设备中,如心电图仪、超声成像系统或其他医疗检测设备。竞合利益作者声明,他们没有已知的可能影响本文所报告工作确认这项研究得到了马来西亚技术大学和马来西亚基础研究 资 助 计 划 ( FRGS ) 的 支 持 , 资 助 代 码 为R.J130000.7851.5F282。引用[1] 杨文,眼科解剖学与生理学,香港眼科杂志(35)(1983)47http://dx.doi.org/10.5005/jp/books/[2] M. Akil,Y.埃卢米河Kachouri,使用CNN深度学习网络检测眼底图像中的视网膜外展引用此版本:HAL Id:Hal-02428351,2020。[3] Y. Hagiwara等人,使用眼底图像的青光眼计算机辅助诊断:综述 , Comput 。 方 法 程 序 生 物 医 学 。 165 ( 2018 )1http://dx.doi.org/10.1016/j.cmpb.2018.07.012[4] X. Zeng,H. Chen,Y.罗,W. Ye,基于双目连体卷积神经网络的自 动 糖 尿 病 视 网 膜 病 变 检 测 , IEEE Access 7 ( 2019 )30744http://dx.doi.org/10.1109/[5] P. Kaur,S. Chatterjee,D. Singh,用于糖尿病视网膜病变检测的神经 网 络 技 术 , Int. J. Eng. Adv. Technol. 8 ( 6 ) ( 2019 )440http://dx.doi.org/10.35940/ijeat.E7835.088619[6] EAA Maksoud,S.巴拉卡特湾Elmogy,基于多标签分类的医学图像分析,Elsevier Inc.,2019年。[7] G.T. Zago,R.V. Andreão,B. Dorizzi,E.O. Teatini Salles,使用红色 病变 定 位和 卷 积神 经 网络 进 行糖 尿 病视 网 膜病 变 检测 ,Comput 。 Biol. Med. 116 ( 2019 ) 2020 , http://dx.doi 。org/10.1016/j.compbiomed.2019.103537。[8] V. Srivastava,R.K. Purwar,使用基于形状的特征集成到卷积神经网络中的糖尿病视网膜病变眼底图像分类,J. Inf. Optim。Sci. 41(1)(2020)217http://dx.doi.org/10.1080/02522667.2020.1714186[9] S.K. Somasundaram,P. Alli,用于糖尿病视网膜病变早期预测的机器 学 习 集 成 分 类 器 , J. Med. Syst. 41 ( 12 ) ( 2017 )http://dx.doi.org/10.1007/s10916-017-0853-x。[10] M.哈希姆扎德湾Adlpour,人工智能在医学视网膜血管提取采用有效的图像特征和监督和无监督机器学习方法的组合,Artif。内特尔95(2018)(2019)1http://dx.doi.org/[11] M. Lai等人,一种用于视网膜图像分析的机器学习方法作为自闭症谱 系 障 碍 儿 童 的 客 观 筛 查 方 法 , EClinicalMedicine ( 2020 )100588,http://dx.doi.org/10.1016/j.eclinm.2020.100588。[12] D.S.W. Ting等人,视网膜和眼睛研究的进展眼科学深度学习:技术和临床考虑,Prog。视网膜色素Eye Res. 72(2018)(2019)100759,http://dx.doi.org/10.1016/j.preteyeres.2019.04.003。[13] R.S. Biyani,B.M. Patre,糖尿病视网膜病变红色病变检测算法:综 述 , Biomed 。 药 剂 师 107 ( 七 月 ) ( 2018 )681http://dx.doi.org/10.1016/j.biopha.2018.07.175[14] R. Bhattacharjee,M. Chakraborty,渗出物,视网膜和统计特征检测糖尿病视网膜病变和正常眼底图像:一种自动比较方法,在:2012年Natl。确认补偿Commun. 系统《2012年全国儿童保育委员会会议记录》,2012年,第110页。266//dx.doi.org/10.1109/NCCCS.2012.6413019网站。[15] D.S.W. Ting等人,深度学习在估计糖尿病视网膜病变的患病率和系统 性风险 因素 :多种 族研究 ,npj Digit 。 Med. (January )(2019)1-http://dx.doi.org/10.1038/s41746-[16] E.J. Hwang等人,开发和验证基于深度学习的自动检测算法,用于胸 片 上 的 活 动 性 肺 结 核 , 69 , 2019 , pp 。739http://dx.doi.org/10.1093/[17] X. Chen,Y. Xu,L. Wing,K. Wong,Glaucoma Detection BasedonDeepConvolutional Neural Network,2015,pp. 715-718[18] J. Hong等人,使用深度卷积神经网络检测视网膜相关黄斑变性,Futur。一般。Comput.87(2018)127http://dx.doi.org/10.1016/j.future.2018.05.001[19] S. Otalora,F. Rodríguez,J. Arevalo,F.A. González,一种基于渗出液定位的新型机器学习模型,用于检测糖尿病黄斑水肿,2016。[20] M. Mohammed,E. Mohammed,M. Jarjees,基于卷积神经网络算法的多字体英文电子处方识别,Bio-Algorithms Med-Syst. 16(3)(2020)1 http://dx.doi。org/10.1515/bams-2020-0021。[21] P. Chudzik,S. Majumdar,F.卡利瓦湾Al-Diri,A. Hunter,Microa-neurysm detection using fully convolutional neural networks.方法程序生 物 医 学 。 158 ( 2018 ) 185http://dx.doi.org/10 。1016/j.cmpb.2018.02.016.[22] J. Krause等人,分级者变异性和用于评估糖尿病视网膜病变机器学习模型的参考标准的重要性,Ophthalmology 125(8)(2018)1264 http://dx.doi.org/10。1016/j.ophtha.2018.01.034。[23] Y. Jiang, H. Zhang,N. Tan,基于全卷积神经网络的SS对称自动视网膜血管分割,2019,http://dx.doi.org/10.3390/sym11091112。[24] Y. Joyce Sia Sin等人,膝关节MR图像的显著感兴趣区域对比度增强:来自OAI的数据,J. Kejuruteraan 32(3)(2020)145-155。[25] S. Long,J. Chen,A. Hu,H. Liu,Z. Chen,中国粘蝇D. Zheng,基于方向局部对比度的机器学习在彩色眼底图像中检测微动脉瘤,Biomed。Eng. 在线(2020)1//dx.doi.org/10.1186/s12938-020-00766-3网站。[26] D. Le等人,糖尿病视网膜病变的自动OCTA检测的迁移学习,pp。一比九SM 席,T.-S. Tan,文学硕士AsICT Express 8(2022)142150[27] X. Li,T.庞湾,澳-地熊,W. Liu,P. Liang,T. Wang,基于卷积神经网络的转移学习用于糖尿病视网膜病变眼底图像分类,(978)2017。[28] E. Prokofyeva,M.B.布拉施科湾Aires,卷积神经网络转移用于自动青光眼识别。[29] M. Michael Goldbaum,视网膜结构分析,美国国立卫生研究院,1996-2004。[联机]。可用:http://cecas.clemson.edu/ahoover/stare/网站。[30] C. Liu,X.苏伊,Y. Liu,X. Kuang,G. Gu,基于直方图修改框架的自适应对比度增强,0340,2019,http://dx.doi.org/10.1080/09500340.2019.1649482。[31] S. Karthikeyan , P. Sanjay Kumar , R.J. Madhusudan , S.K. Sun-daramoorthy,P.K. Krishnan Namboori,使用人工智能检测多类视网 膜 疾 病 : 使 用 最 少 数 据 的 深 度 CNn 快 速 学 习 , Biomed 。Pharmacol.J.12(3)(2019)1577http://dx.doi.org/10.13005/bpj/1788[32] G. Van Steenkiste,G. van Loon,G. Crevecoeur,使用新型并行神经网络架构从人到马的ECG分类转移学习,Sci。众议员10(1)(2020)1//dx.doi.org/10.1038/s41598-019-57025-2网站。[33] M.T. Hagos,S. Kant,基于迁移学习的小数据集糖尿病视网膜病变检测,2019,[在线]。可查阅:http://arxiv。org/abs/1905.07203。[34] H. Pratt,F. Coenen,S.P. Harding,D.M. Broadbent,Y. Zheng,使用卷积神经网络对糖尿病视网膜病变分类的特征可视化,CEUR研讨会论文2429(2019)23-29。[35] V. V.S.,使用深度卷积神经网络自动检测糖尿病视网膜病变,2017年3月,pp. 第633-641页。[36] M. Aubreville等人,使用深度学习对口腔激光显微内镜图像中的癌组 织 进 行 自 动 分 类 , Sci 。 Rep. 7 ( 1 ) ( 2017 ) 1-http://dx.doi.org/10.1038/s41598-017-
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功