没有合适的资源?快使用搜索试试~ 我知道了~
智能系统与应用17(2023)200184使用基于手工制作和深度学习特征分析的通用框架进行多眼疾病检测拉温蒂尼·M,拉万尼亚·R*电子和通信工程系,工程学院,Coimbatore,Amrita Vishwa Vidyapeetham,印度A R T I C L EI N FO保留字:卷积神经网络糖尿病视网膜病变熵青光眼的分形高阶谱随机森林支持向量机A B S T R A C T糖尿病视网膜病变(DR)和青光眼是两种主要的眼部疾病,如果不及时发现和治疗,会导致视力损害。这些疾病的人工检测和诊断是一个费力和耗时的过程。计算机辅助诊断(CAD)系统可以帮助医生进行人工诊断。这项工作的目的是开发一个通用的多眼CAD系统的DR和青光眼的诊断,这可以作为一个福音,在大规模的筛查方案,减少所涉及的时间和人力。为此,采用了一种独立于分割的方法,该方法消除了对单独诊断系统的需要,每个诊断系统都涉及一组用于感兴趣区域(ROI)的定位和分析的疾病特异性算法。此外,所提出的方法消除了归因于图像质量和解剖因素的分割不准确性,这对分类性能具有级联效应。具体而言,机器学习(ML)模型的基础上随机森林(RF)分类器和池的非线性特征,包括高阶谱(HOS),熵和分形特征,开发。这种ML模型和基于卷积神经网络(CNN)的深度学习(DL)模型的集成使用所提出的集成模型的准确性,灵敏度和特异性分别高达98.08%,98.37%和99.07%,为三个类别的分类样本分类为正常,DR和青光眼。1. 介绍根据世界卫生组织(WHO),糖尿病视网膜病变(DR)和青光眼是视力丧失的主要原因之一。虽然DR的特征在于糖尿病引起的视网膜血管损伤,但青光眼是由眼内压(IOP)的积聚引发的,导致视神经乳头(ONH)损伤(Dharmana &Aiswarya,2020; Chen等人,2015年)。视网膜眼底图像通常用于诊断这两种在初始阶段无症状的眼部疾病;然而,视力丧失与这两种情况下的疾病进展相关,需要早期检测以避免严重影响。DR和青光眼的人工诊断程序非常昂贵、耗时、繁琐且劳动密集,因为必须进行大量测试以识别与这些疾病相关的临床特征。计算机辅助诊断(CAD)系统可以帮助医生在短时间内对疾病进行全面的分析和评估,为临床医生提供辅助诊断工具。计算机辅助诊断在临床上为医生提供决策支持是有用的实践,并且在筛选程序中也占有重要地位(Mookiah等人, 2013年)。在这项工作中,提出了一个CAD系统的多眼疾病检测使用通用的框架来诊断DR和青光眼。可以诊断多种眼部疾病的单一框架可以使整个诊断过程更便宜,更耗时。这项工作背后的主要动机是开发一个有用的诊断工具1。早期发现DR和青光眼,便于及时治疗和预防视力下降2。大大降低了诊断成本和时间3.减轻眼科医生的工作量,特别是在大型筛查项目中。在眼科医生短缺的医院中作为初步诊断工具。通常,CAD系统基于两种不同的方法:分段依赖和分段独立。前者采用分割技术定位临床相关的解剖标志,然后提取预定义的特征集。另一方面,后一种方法依赖于自动发现有用表示的描述性功能,消除了* 通讯作者。电子邮件地址:m_raveenthini@cb.students.amrita.edu(R. M),r_lavanya@cb.amrita.edu(L. R)。https://doi.org/10.1016/j.iswa.2023.200184接收日期:2022年6月30日;接收日期:2022年12月8日;接受日期:2023年1月14日2023年1月18日在线提供2667-3053/© 2023作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页:www.journals.elsevier.com/intelligent-systems-with-applicationsR. M和L。R智能系统与应用17(2023)2001842需要精确分割感兴趣区域(ROI)。无分割方法的使用还促进了基于解释性特征的通用框架,其可以使用单个框架有效地捕获多种疾病在自动视网膜分析中,眼底图像的对比度差、临床指标的大小变化、血管阻塞和其他解剖学因素经常导致分割错误,这些错误会传播到分类器,进而影响诊断准确性。DR诊断涉及检测临床指标,如微动脉瘤( MA ) 、 渗 出 液 、 出 血 和 新 生 血 管 形 成 ( Praveena Lavanya ,2019&)。关于自动DR诊断的大多数现有研究集中在单个病变类型的检测上,特别关注作为DR的最早指标的MA的检测(Hassan等人,2012;Bharali等人, 2015; Sopharak等人, 2013; Jaya等人,2015年)。形态分析和滤波器组已经被广泛地用于MA检测(Akram等人,2014年)。只有有限的工作已报告的多病灶检测,这是必不可少的扩展病变为基础的分析,以病人为基础的分析。病变的类型和计数在DR诊断和分级中起重要作用。不同病变类型的检测需要不同的算法集。此外,DR病变分割的准确性受到几个因素的限制,包括MA尺寸小、偶尔被误认为MA的出血、渗出液和视网膜背景之间的低对比度、位于血管附近的MA和渗出液以及复杂的新生血管形成模式。所有这些因素都限制了具有级联效应DR诊断的准确性。在使用眼底图像的青光眼诊断中感兴趣的临床参数包括杯盘比(CDR)和神经视网膜边缘(NRR)厚度,其计算依赖于视盘(OD)和视杯(OC)分割(Krishnan等人,2020年)。具体而言,青光眼眼的特征是OC相对于OD增大,导致CDR增大和NRR变薄。已经尝试了几种方法用于OD和OC分割,其中包括活动轮廓模型和阈值处理等技术(Srinithi&Lavanya,2019;Mittapalli Kande,2016&)。血管阻塞和视网膜图像的低对比度使得OD和OC的分割困难。除此之外,诸如椎间盘和髋臼杯尺寸的患者间变异性等解剖因素也会导致CDR值出现灰色区域。 由于基于分割的方法用于眼部疾病诊断的局限性,与分割无关的技术开始受到关注。许多研究人员探索了可以直接从原始图像中提取的特征,从而减轻了对疾病特异性标志的精细分割的需求以及由此产生的分割错误。研究的目的是寻找分割无关的特征,这些特征可以有效地替代通常从临床相关标志提取的参数。具体来说,一些研究者已经探索了非线性特征在诊断中的应用。眼部疾病包括DR和青光眼。Acharya等人(Acharya等人,2008)使用称为高阶谱(HOS)特征的一类非线性特征执行DR的自动分期。基于Radon变换(RT)提取HOS特征,该方法能够捕捉眼底图像中重要临床指标和标志点的形状变化。采用支持向量机(SVM)进行分类,准确率为82%,敏感性为82%,特异性为88%.Alzami等人(Alzami等人,2019年)采用了各种测量方法分形维数(FD)分析检测DR及其阶段。在预处理阶段进行血管和血管化分割,以准确确定FD,从而准确表征视网膜血管。使用随机森林(RF)分类器将视网膜图像分类到使用FD的DR的各个阶段。然而,结果并不乐观,准确率仅为48.27%,这表明FD不能完全描述DR分期的视网膜图像。De la Calleja et al. (De la Calleja等人, 2014)探索本地二进制模式(LBP)的特征提取视网膜眼底图像。LBP考虑均匀模式、旋转不变模式和旋转不变均匀模式来区分正常对象和DR对象。各种ML模型,包括人工神经网络(ANN),SVM和RF分类器进行了探索DR检测。据报道,RF与LBP特征相结合时是最好的,准确度为97.4%,f-测量值为0.974。Shaban等人(Shaban等人,2020)采用深度CNN架构来识别每个CNN层中眼底图像的低级和高级特征,以将DR分类为不同类别。CNN模型由18个卷积层和3个全连接层组成。使用10倍交叉验证实现了89%的准确性,89%的灵敏度和95%的特异性。Parashar等人(Parashar Kumar Agrawal,2020&)提出了一种使用小波分析的青光眼诊断系统,该系统用于将眼底图像分解为各种模式,然后提取FD和各种类型的熵以捕获眼底图像中的微小变化作者使用各种核函数建立了用于两类分类的最小二乘支持向量机(LS-SVM)模型:正常和青光眼,以及三类分类:正常、轻度青光眼和重度青光眼。两级和三级分类的准确性分别为90.76%和93.4%,敏感性分别为90.75%和93.2%,特异性分别为90.1%和96.67%K. Nirmala等人(Nirmala等人,2016)提出了一种使用从LBP变换的视网膜图像中提取的FD、D维面积和多尺度分形特征进行自动青光眼诊断的算法。支持向量机被用来分类视网膜图像正常和青光眼。该方法使用SVM分类器实现了89%的准确率Divya等人(Divya Jacob,2018&)探索了将经验小波变换(EWT)子带的相关熵特征应用于视网膜图像。主成分分析(PCA)用于降维,LS-SVM用于区分正常人和青光眼。该方法使用径向基函数(RBF)-SVM实现了99%的准确率。Dey等人(Dey Bandyopadhyay,2016&)提出了一种系统,该系统使用PCA进行特征提取,并基于SVM进行分类SVM的性能与RBF核最高。该系统的准确性为86%,敏感性为100%,特异性为65%,阳性预测准确率为81.08%,阴性预测准确率为100%。Sharma等人(Sharma等人,2019)探索了用于青光眼检测的基于CNN的DL模型,以减轻从视网膜眼底图像中手工提取特征的需求。使用不同的增强方法来提高深度网络的性能该模型自动诊断青光眼的准确率为95%,敏感性为100%,特异性为90%。尽管在用于眼部疾病的CAD系统的领域中有许多方法,但是在同时对多种眼部疾病进行分类方面的工作有限,特别是在眼底图像中区分DR、青光眼和正常状况的Acharya等人(Acharya等人,2016)提出了一种基于双向经验模式分解(EMD)的系统,用于将眼底图像分类为正常和异常。虽然异常图像包括DR、青光眼和年龄相关性黄斑变性(AMD)病例,但该系统仅关注二元分类。从EMD变换后的图像中提取熵和能量特征,并使用RBF核的SVM进行分类,实现了88.63%的准确率,86.25%的灵敏度和91%的特异性。Tamim等人(Tamim等人,2021)使用一阶统计、灰度共生矩阵(GLCM)和梯度直方图(HOG)特征,以及用于分类的决策树(DT)、K-最近邻(KNN)、朴素贝叶斯(NB)和线性判别分析(LDA),采用了用于诊断DR和青光眼的通用系统。LDA和DT在两个不同的数据集上实现了83%和96.67%的最大性能然而,这种方法涉及使用低阶R. M和L。R智能系统与应用17(2023)2001843Fig. 1. 拟议方法示意图。图二. CNN架构的插图。用于检查眼底图像的纹理属性的统计,其在捕获像素像素之间存在的更高阶关系时是无用的。从文献综述中可以推断,已经进行了几项研究工作,用于眼科疾病的二元分类,其中异常类别被分配给单个眼科疾病或一组眼科疾病,这些疾病聚集在一起作为异常类别。特别地,已经对正常与DR分类和正常与青光眼分类的工作进行了大量探索。现有的大部分工作 DR和青光眼诊断依赖于分割技术,其需要各种预处理步骤、最佳阈值和ROI检测,这导致具有可能级联误差的复杂系统(Hassan等人,2012; Bharali等人 ,2015; Sopharak 等 人 ,2013; Jaya 等 人 , 2015; Srinithi&Lavanya,2019; Mittapalli &Kande,2016)。这些缺点在使用基于分割的技术构建的多眼疾病检测框架中将更加明显。依赖于非分割技术的方法将有助于实现用于多眼疾病检测的通用框架,而没有上述问题。E X射线照相术(Tamim等人,2021)使用单个框架对正常、DR和青光眼类别进行分类是有限的;然而,该方法已经使用小数据集进行了验证,这对其泛化能力提出了质疑。在本文中,多眼疾病检测的框架是亲,用于检测视网膜眼底图像使用通用CAD系统,基于手工制作的非线性特征和基于CNN的深度特征的分析。相反,非线性特征是高阶统计特征,在提取关于图像像素之间的高阶相互关系和眼底图像中的精细变化的重要信息以有效地表征和分类眼部疾病中是有用的。这些特征减轻了对使用不同组的图像处理算法来提取不同的疾病特异性界标的依赖性,从而降低了多眼疾病检测系统的复杂性。一个额外的优点是,也可以避免分割不准确及其对分类器性能的级联影响。深度特征是自动学习的另一类非分割特征,与手动设计的手工特征相反,并且是后者的补充。深层特征可用于区分与DR和青光眼的病理模式相对应的细微强度差异。在这项工作中,采用深度卷积神经网络(CNN)来提取详细表示眼底图像的复杂特征并对其进行分类。采用非线性特征的机器学习(ML)方法和采用CNN特征的深度学习(DL)方法的好处可以通过组合这两种方法来有效地利用。为此,提出了一种集成系统,该系统使用各种决策融合方案融合ML和DL分类器的后验概率,目的是实现多眼疾病R. M和L。R智能系统与应用17(2023)2001844图3.第三章。预处理a)原始视网膜眼底图像b)调整大小的 图像c)绿色通道提取d)中值滤波e)直方图均衡。诊断系统本文的贡献可归纳如下:1 首先,提出了一种有效的无分割方法,用于在单个框架中对包括DR和青光眼在内的多眼疾病进行分类。拟议的系统将减轻对每种疾病的单独诊断系统的需求,证明在大规模社区筛查中非常有用。2 从转换的眼底图像中提取的包括各种熵、HOS和FD的三类非线性特征的融合已被用于有效地分析和分类DR和青光眼之间的像素模式的变化。3 这项工作是第一次探索图像变换和特征的大组合,用于多眼疾病诊断。 提取的非线性手工特征池用于构建用于疾病分类的ML模型4 此外,探索了一种简单的CNN架构,以自动提取深度特征,用于DR和青光眼的有效分类。该模型从眼底图像中学习独特的高级特征,以准确预测上述眼部疾病。5 我们的多眼疾病检测的新框架集成了ML和DL分类器6 建议的系统可以作为一个有效的诊断援助眼科医生在社区筛查以及日常筛查。其余的工作安排如下。在第节中。2、讨论了本工作中所用的材料和方法。在第节中。3结果和讨论,并节。四是总结。2. 材料和方法图1示出了所提出的方法的流程。拟议的工作探索了使用大量手工制作的非线性特征与深度学习的特征相结合,用于构建DR和青光眼诊断的通用模型,据作者所知,这是同类中的第一个。更具体地说,基于支持向量机和RF分类器的ML模型的基础上建立的特征,包括HOS,熵和分形特征。所有探索的特征本质上都是非线性的,这可以捕获图像中的细微像素变化,从而提高诊断性能。此外,还建立了一个深度CNN模型,以自动学习视网膜图像的特征。虽然深度学习模型缺乏机器学习方法所具有的可解释性,但深度特征解释了详细的视觉上下文,超出了手工制作的特征所代表的内容。ML和DL方法的互补性在这项工作中进行了探索,使用决策融合来组合来自这些模型中的每一个的决策,将受试者分类为三个类别之一:正常、DR和青光眼。图像的预处理之后是手工提取非线性特征。执行来自基于非线性特征的ML模型和基于CNN的DL模型的决策的融合,用于将图像分类为正常、DR和青光眼。所提出的方法中涉及的工作流程解释如下:2.1. 非线性手工特征提取在提取非线性特征之前,进行预处理以提高图像质量。一、绿色通道提取 执行的,因为与红色和蓝色通道相比,该通道显示出最高的对比度。随后,中值滤波进行噪声去除,和对比度有限的自适应直方图均衡化(CLAHE)的对比度增强和alleviating非均匀照明。在预处理之后,提取下面解释的各种非线性特征R. M和L。R智能系统与应用17(2023)2001845图四、 对应于各种角度a)30 °,b)60 °,c)90 °,d)120 °,e)150 °和f)180 °的拉东变换2.1.1. 高阶谱(HOS)特征为了提取HOS特征,首先以30μ RT的步长对从0μ m到180μ m变化的角度的图像应用Radon变换(RT复杂的图案。HOS表示信号的高阶累积量的频谱,表示非线性模式(Krishnan Faust,2013&)。在这项工作中,三阶累积量-gen-捕获沿各个角度的piX el差异,确定了一种称为双谱的提取函数,R. M和L。R智能系统与应用17(2023)2001846图五、 二维变分模式分解a)模式-1 b)模式-2 c)模式-3 d)模式-4 e)模式-5。表1使用SVM分类器的非线性特征的性能表3CNN模型的架构。功能精度(%)灵敏度(%)特异性(%)层输出形状Conv_1 254×254 × 8居屋71 66 84.73Max_pooling_1 127×127 × 8125×125 × 1662×62 × 1660×60 × 3230×30 × 3228×28 × 6414×14 × 641283表4ML和DL模型的超参数。SVM RF CNN包括归一化双谱熵(B1)、归一化双谱平方熵(B2)、归一化双谱立方熵(B3)内核:RBFC:10γ:0.02n估计量:1000最大深度:7Bootstrap:True判据:熵优化器:Adam学习率:0. 001损失函数:稀疏分类交叉熵时期:100双谱相位熵(Bh)和双谱幅度平均值(BMmean)使用Eq. (一)S.fx,fy)=E[X(fx)X.fy)X。fx+fy)](1)其中,X表示离散时间傅里叶变换(DTFT),表示其复共轭。使用Eq. (2)至(6)B1=-∑PelogPe(2)其中Pe=|S(fx,fy)|/∑Ω<$S(fx,fy)<$B2=-∑PslogPs(3e熵767688.41Conv_1分形635780.03Max_pooling_1HOS+熵+分数Tal888693.44Conv_1特征Max_pooling_1Conv_1Max_pooling_1密集表2密集使用RF分类器的非线性特征的性能。特征准确度(%)灵敏度(%)特异性(%)居屋666381.36熵797489.12分形525074HOS+熵+分形特征898894.46R. M和L。R智能系统与应用17(2023)2001847)S2其中P<$Sf<$Sffs=0 (x,y)|/ΩΩ (x,y)|R. M和L。R智能系统与应用17(2023)2001848R-1=i=0-我i=0我其中Pc=<$S(fx,fy)|3/S(fx,fy)|3|X ×Y|是说Xy表5图第六章 ML和DL模型的比较。E1使用Eq. (八)R-1准确度(%)灵敏度(%)特异性(%)E1= -∑Nilog2(Ni)(8)决定CNN+CNN+CNN+CNN+CNN+i=0E2使用Eq. (九)最高规则94.23 97.12 93.49 96.94 97.08 98.64最小规则96.15 97.12 95.72 96.98 98.12 98.56求和规则97.12 98.08 96.58 98.35 98.55 99.17产品规则95.2 96.15 94.87 96.12 98.0297.57E2=11mlog∑。Nm)(9)加权求和规则加权97.12 96.15 96.58 96.12 98.55 97.5795.2 94.23 94.87 93.97 98.02 97.19其中,m> 0 E3使用等式2计算。(10)1log∑ R-1NmE-R-1Nn(十)产品规则3=n Mi=0我B3=-∑PClogPc(4)其中,n> 0,m + n-1> 0,使用等式4计算E4。(十一)R-1⃒∑⃒ΩE4= 1-∑ |2N i-1|(十一)Bh=-∑P<$nlogP<$n(5)n其中R表示灰度级的数量2.1.3. 分形分析BM=-1/R∑S。(f)其他(6)Ω分形分析用于评估粗糙度,自相似性和图像的不规则性。在这项工作中,分形特征,包括分形维数(FD)和D维面积提取眼底这里Ω表示非冗余区域,R是Ω中的点数。2.1.2. 熵为了提取信号的熵,提出了一种非平稳信号分解技术,即二维变分模式分解(2D-图像. FD是图像中粗糙度和不规则性的度量,尊重规模。在这项工作中,修改的相对改进的差分BOX计数,BOX计数技术的改进版本,用于计算FD(Kisan等人, 2020年)。 FD是从每个标度中的灰度级强度的分布计算的,并且由等式2给出。(十二)VMD)(Maheshwari等人,2017年)。2D-VMD迭代地将图像分解成多个子带以捕获图像中的像素变化从2D-VMD模式,不同的熵的FDlog(Nl)log(l)(十二)提取归一化灰度直方图即Shannon熵(E1)、Renyi熵(E2)、Kapur熵(E3)和Yager熵(E4),量化眼底图像中像素、复杂模式和细节的规律∑Ci=0融合SVM RF SVM RF SVM RFR. M和L。R智能系统与应用17(2023)2001849=I×(=-)∈性。归一化强度直方图Ni使用等式(1)计算。(七)N(7)X×Y其中Si表示强度值i 0,1,2,.,R 1,N i是归一化强度直方图的概率分布,X Y是图像的大小。其中l表示范围为2lM/ 2的缩放值,M×M为<<图像的大小,Nl表示每个缩放值中的最大灰度级强度。使用FD计算D维面积。它取决于图像在各种尺度值下的表面积(Nirmala等人,2016年)。它使用Eq. (十三)G(∈)=K∈2-D( 13)其中D是FD,K是比例常数,并且∈表示范围2,4,8,16,....中的标度值, max,最大大小 形象R. M和L。R智能系统与应用17(2023)20018410表6眼科疾病自动检测系统的性能总结作者编号的图像号分类器性能指标DR诊断Acharya等人(Acharya等人,(2008年)300例正常、轻度、中度、重度、复发性DRRadon transform,HOS SVM精度:82%灵敏度:82%特异性:88%Alzami等人 (Alzami等人, 2019年)1200正常,DR正常、轻度、中度、重度DR分割、BoX FD、信息FD、相关FD射频精度:百分之八十点三七准确度:48.27%De la Calleja et al.(De laCallejaet al., 2014年度)数据集1:100数据集2:71正态,DR LBP ANN,SVM,RF数据集1准确度:78.8% f-测量:0.7917数据集2准确度:97.4%f-测量值:0.974Shaban等人(Shaban等人, 2020)3648正常、中度、重度DR数据增强,CNNSoftmax准确率:89%灵敏度:89%专属性:95%青光眼的诊断Parashar等人(ParasharKumar&Agrawal,2020)数据集1:941数据集2:272正常或青光眼正常、轻度、重度青光眼柔性解析小波变换,熵&FDSVM数据集1准确度:90.42%灵敏度:90.75%专属性:90.1%数据集2准确度:93.4%灵敏度:93.2%专属性:96.67%K. Nirmala等人(Nirmala等人,(2016年)200正常或青光眼LBP,分形特征SVM准确度:89%灵敏度:86%Divya等人(Divya Jacob,2018&)250例正常或青光眼EWT,相关性SVM准确率:99%灵敏度:99%特异性:98%Dey等人(Dey Bandyopadhyay,&2016)100个正常或青光眼PCA特征SVM准确度:86%灵敏度:100%特异性:65%Sharma等人(Sharma等人, 2019) 541正常或青光眼CNNSigmoid准确度:95%灵敏度:100%专属性:90%多眼疾病诊断Acharya等人(Acharya等人,(2016年)800例正常、异常(DR、青光眼、AMD)双向EMD、熵和能量特征SVM精度:88.63%灵敏度:86.25%特异性:91%Tamim等人(Tamim等人, 2021)数据集1:45数据集2:288正常、DR或青光眼一阶统计量、GLCM和HOG DT、KNN、NB,LDA数据集1准确度:83%灵敏度:83%特异性:83%数据集2准确性:96.67%灵敏度:96.67%专属性:96.67%提出的方法520正常、DR、青光眼RT、VMD、非线性特征(HOS,熵),CNN,决策融合SVM、RF、softmax准确度:98.08%灵敏度:98.37%专属性:99.07%2.2. ML建模所有提取的非线性特征,包括HOS,熵和分形特征集,被连接形成一个60维的特征向量将得到的特征向量用于训练ML模型。两种不同的ML分类器,即支持向量机与RBF核和RF,这两种常用的视网膜分析,在这项工作中进行了探索。这两个分类器的超参数调整是R. M和L。R智能系统与应用17(2023)20018411∑∑.)- 是的)∑.)=.).)××2在验证阶段执行SVM的超参数准确度i分类器包括径向基函数的宽度γ和代价函数C。对于RF分类器,超参数包括估计的数量Wi=Ni=1准确度i(二十)mators、criterion、bootstrap和max depth。2.3. DL建模为了补充ML方法,使用原始眼底图像训练基于CNN的DL模型。CNN在图像处理应用中发挥着重要作用,并越来越多地用于医学图像的自动诊断。它具有从输入图像中提取边缘和方向等低级特征和微小而有意义的细节等高级特征的能力。该模型包括输入层、卷积层、最大池化层和全连接层。超参数,包括优化器,学习率,损失函数和历元调整为最佳性能.这项工作中使用的CNN模型的架构由四个卷积层,四个最大池化层和全连接层组成,如图所示。 二、2.4. 决策融合采用决策融合技术对ML和DL模型的决策进行融合,得到最终的分类输出。虽然ML方法 基于能够基于专家知识表示显式信息的手工特征,DL特征能够表示隐藏在图像中的潜在信息。决策融合可以有效地利用这两种方法的互补性,从而提高诊断准确性。决策融合的一般原理是通过组合来自较弱分类器的预测来产生强分类器。在这项工作中,几个软决策融合规则被用来融合ML和DL分类器的后验概率,P(C j|x i)其中C j表示类别j其中j=1, 2, 3代表正常人、DR和青光眼病例,Xi代表 的 第i 模型,其中i1,2分别表示ML和DL模型。具体而言,在Eqs. (14)通过(19)被雇用。最大规则:D max=max j max iP C j|(十四)最小规则:D min=max j min iP C j|(15)求和规则:2D sum= arg max jP C j|(16)i=1产品规则:2D乘积= arg max jP C j|(17)i=1加权求和规则:2D wtsum= arg max jW iP C j|(18)i=1加权乘积规则:当量在等式(18)和(19)中,Wi表示第i个分类器,如等式(1)所示。(20)、3. 结果和讨论使用来自多个基准数据库的视网膜眼底图像来验证所提出的用于DR和青光眼诊断的多眼疾病检测的通用系统的性能,所述基准数据库包括HRF(ABC,2017)、Kaggle(ABC,2019)、ORIGA-light(Zhang等人,2010)和DR HAGIS(Holm等人, 2017年)。来自这些数据库的图像被汇集以形成单个数据集,该数据集包括总共520个图像,其中120、200和200个眼底图像属于正常、DR和青光眼类别。实验是在一个配备了英特尔( R ) Core ( TM ) i7- 9700 k CPU@3.60 GHz , 32 GB 内 存 , 16 GBNVIDIA显卡和64位Windows 10操作系统(OS)。此外,该实现使用两个最流行的平台MATLAB 2019b和python以及广泛使用的深度学习框架(Keras和Tensorflow)进行。双三次插值应用于随后被调整大小为512 512的所有图像。在此之后,包括绿色通道提取的预处理步骤,3采用中值滤波和CLAHE算法。 来自数据集的样本图像和各种预处理步骤后的相应输出如图所示。3.第三章。在特征提取步骤中,在[0°,180°]范围内的不同角度获得RT,步长为30°。图4描绘了对于各种角度,与来自数据集的样本图像相对应的Radon变换输出。第节中讨论的五个HOS特性。2.2从对应于six个不同角度的SIX个拉东变换图像中的每一个中提取HOS特征,从而从每个眼底图像中得到总共30个HOS特征。对于使用2D-VMD的图像分解,从每个眼底图像提取五个不同的带限模式。模式的数量是根据经验选择的。图5示出了样本图像的VMD模式的结果。四个熵,也在第节中讨论。2.1.2,从五个带限模式中的每一个中提取,得到总共从每个眼底图像中提取20个熵特征采用修正的相对改进的差分盒计数法计算FD。D维面积是从9个不同尺度的图像的FD计算的,9个不同尺度是范围[2,512]中2的幂,其中512是图像的最大尺寸。从眼底图像中提取包括FD和九维(9D)区域的总共10个分形特征因此,从每幅图像中提取了由60个特征组成的特征集,其中包括30个HOS,20个熵和10个分形特征。数据集分为80%用于训练,20%用于测试,分别用于SVM和RF分类器的模型开发和性能评估。性能指标包括准确性、灵敏度和特异性。分类器的超参数调整在模型构建过程的验证阶段完成。从表1和表2中,可以观察到,对于SVM和RF分类器,组合特征集比单独特征表现得更好。比较两种分类器模型,可以看出,支持向量机的性能优于RF的HOS和分形特征,但熵特征,RF优于SVM。最高的性能是实现RF与组合功能集产生的准确性,灵敏度和特异性分别为89%,88%和94.46%DargmaxP.Cx)(19)表3列出了CNN模型的参数在表4中,重量product=J Ii=1J|我列出了SVM、RF和CNN模型的超参数图 6比较了 SVM和基于 RF的ML模型的性能加权规则用于控制分类器精度的差异。Wi计算为基于CNN的DL模型。从图中可以看出,ML模型的性能优于DL模型,R. M和L。R智能系统与应用17(2023)20018410证明了非线性特征在捕捉复杂图案和微小像素变化方面的有效性。表5显示了CNN与ML模型的决策融合结果。从表中可以观察到,决策融合方案优于DL和ML模型。具体来说,CNN和RF分类器的融合最高的准确率达到98.08%,与该组合的灵敏度和特异性也最高,分别为98.35%和99.17%在表6中,所提出的方法的性能与文献中报道的其他基于眼底图像的眼部疾病诊断系统的结果进行了比较,使用了性能度量,例如准确性、灵敏度和特异性。可以观察到,所提出的方法产生与其他单眼以及多眼疾病诊断系统相当或优于其他单眼以及多眼疾病诊断系统的非常好的性能所提出的系统的结果在处理多眼疾病检测的挑战性任务方面显示出良好的前景,在这项工作中,多眼疾病检测仅限于DR和青光眼,并且具有使用单个CAD框架来适应更多眼部疾病的诊断的范围结论在这项工作中,自动诊断多眼疾病,特别是糖尿病视网膜病变(DR)和青光眼,解决。这是使用单个计算机辅助诊断(CAD)框架来实现的,该框架依赖于包括手工制作和深度特征的组合的通用的一组高效描述符。所提出的方法采用了一种无分割的方法,该方法消除了对疾病特定感兴趣区域(ROI)定位和特征提取的需要,从而消除了相关算法的繁琐和容易出错的性质。利用描述高阶像素关系的非线性特征,建立了一种基于随机森林(RF)的机器学习(ML)模型.进一步构建了基于卷积神经网络(CNN)的深度学习(DL)模型,用于从眼底图像中自动提取高级特征,然后从ML和DL模型中进行决策融合,以利用这两种方法的互补性。基于RF的 ML模型实现了89%的准确度,DL模型的敏感性和特异性分别为87%、86.6%和93.56%。然而,所提出的使用单个框架进行DR和青光眼诊断的决策融合方法与单独的ML和DL模型相比具有更好的性能,具有98.08%的准确性,98.35%的灵敏度和99.17%的特异性。我们的实验结果表明,与现有方法相比,所提出的方法用于DR和青光眼的多眼疾病检测的性能优越。所提出的系统可以安装在眼科医生的系统上,作为 辅助工具提 供关于初步诊 断的第二意见,并辅助医生制定患者的后续治疗评估方案。所提议的方法确实有某些缺点。验证所提出的方案使用了总共520幅属于正常的图像,资金这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的竞争利益作者声明,他们没有已知的可能影响本文所报告工作数据可用性数据将根据要求提供引用Dharmana,Meher Madhu,Aiswarya,M. S.(2020年)。使用斑点检测对糖尿病视网膜病变进行预诊断。2020年第二届计算机应用发明研究国际会议(ICIRCA)。98-101)。美国电气与电子工程师协会。Chen,Xiangyu,Xu,Yanwu,Yan,Shuicheng,Wong,Damon Wing Kee,Wong,Tien Yin,&Liu,Jiang(2015).基于深度学习的青光眼检测自动特征学习。在医学图像计算和计算机辅助干预国际会议(pp. 669-677)。史普林格Mookiah,Muthu Rama Krishnan,Rajendra Acharya,U.,蔡光,蔡光,林秋敏,吴,E. Y. K.,&Laude,Augustinus.糖尿病视网膜病变的计算机辅助诊断:综述。Computers in biology and medicine,43(12),2136-2155.Praveena,S.,&拉瓦尼亚河(2019年)。基于超像素的糖尿病视网膜病变多病变检测分割。2019年第三届电子与信息学趋势国际会议(ICOEI)314-319)。美 国 电气与电子工程师协会。Hassan,Siti Syafinah Ahmad,Bong,David BL,Premsenthil,Mallika.糖尿病视网膜病变新生血管的检测。Journal of Digital Imaging,25(3),437-444.Bharali,Priyakshi,Medhi,Jyoti Prakash,Nirmala,S. R.(2015年)。使用彩色眼底图像检测糖尿病视网膜病变分析中的视网膜病变。在2015年IEEE第二届信息系统最新趋势国际会议(ReTIS)上,237 -242)。美国电气与电子工程师协会。Sopharak,Akara,Uyyanonvara,Bunyarit,Barman,Sarah.从非扩张型糖尿病视网膜病变视网膜图像中检测微小动脉瘤的简单混合方法。计算机医学成像和图形,37(5-6),394-402。Jaya,T.,Dheeba,J.,&辛格,加-地Albert(2015).基于模糊支持向量机专家系统的眼底硬性渗出物检测。Journal ofDigital Imaging,28(6),761-768.Akram,M. Usman,Khalid,Shehzad,Tariq,Anam,Khan,Shoab A.,&Azam,Farooque.糖尿病视网膜病变分级的视网膜病变检测和分类。生物学和医学中的计算机,45,161-171。Krishnan,Rahul,Sekhar,Varun,Sidharth,J.,Gautham,S.,&Gopakumar,G.(2020年)。从视网膜眼底图像检测青光眼。2020年国际通信与信号处理会议(ICCSP)0628-0631)。美 国 电气与电子工程师协会。Srinithi,V.,&拉瓦尼亚河(2019年)。基于颜色导数的新方法用于青光眼诊断中的CDR估计。2019年第三届电子与信息学趋势国际会议(ICOEI)69-73)。美 国 电气与电子工程师协会。Mittapalli,Pardha Saradhi,Kande,Giri Babu.数字眼底图像视盘和视杯的分割用于青光眼的
下载后可阅读完整内容,剩余1页未读,立即下载
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