發(fā)布時(shí)間：2021-04-08 21:16

　　糖尿病眼底病變（Diabetic Retinopathy,DR）是糖尿病患者常見(jiàn)的致盲疾病,可使用深度學(xué)習(xí)算法對(duì)患者的糖尿病眼底圖片進(jìn)行圖像識(shí)別,實(shí)現(xiàn)對(duì)糖尿病眼底病變的輔助診斷。針對(duì)以往普通卷積神經(jīng)網(wǎng)絡(luò)只能進(jìn)行分類(lèi)和輸入尺寸固定的問(wèn)題,提出了基于目標(biāo)檢測(cè)的區(qū)域全卷積網(wǎng)絡(luò)（Region-based Fully Convolutional Networks,R-FCN）算法,實(shí)現(xiàn)同時(shí)對(duì)任意尺寸輸入的糖尿病眼底圖片的分類(lèi)和病變區(qū)域檢測(cè)。針對(duì)原始R-FCN算法對(duì)小目標(biāo)（極小的出血點(diǎn)和血管瘤）檢測(cè)困難的問(wèn)題,對(duì)R-FCN算法做了一定的改進(jìn),加入特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks,FPN）結(jié)構(gòu),升級(jí)主干網(wǎng)絡(luò),修改區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network,RPN）。實(shí)現(xiàn)結(jié)果表明,改進(jìn)后的RFCN算法能以很高的正確率實(shí)現(xiàn)對(duì)糖尿病眼底圖片的五級(jí)分類(lèi)（健康、輕度、中度、重度、增殖）和病變區(qū)域檢測(cè)（血管瘤、眼底出血、玻璃體出血）。 

【文章來(lái)源】：計(jì)算機(jī)工程與應(yīng)用. 2020,56(04)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

輕度眼底圖片預(yù)測(cè)結(jié)果

1 增殖眼底圖片預(yù)測(cè)結(jié)果

如圖1所示，R-FCN原型主要由以下幾部分組成：（1）輸入；（2）提取特征的主干網(wǎng)絡(luò)ResNet[16](Residual Networks);(3)RPN網(wǎng)絡(luò)；（4)RoI池化層；（5）非極大值抑制[17](Non Maximum Suppression,NMS）。原型R-FCN算法默認(rèn)使用ResNet-101的全卷積神經(jīng)網(wǎng)絡(luò)[18]進(jìn)行提取特征，去除ResNet-101原本的全連接層，保留100層卷積進(jìn)行下采樣，最后輸出的卷積特征圖分別送入RPN網(wǎng)絡(luò)和RoI池化層。RPN網(wǎng)絡(luò)，即區(qū)域建議網(wǎng)絡(luò)，其功能是區(qū)分前景和背景，尋找目標(biāo)的大概位置，輸出目標(biāo)候選框。然后，RPN輸出的目標(biāo)候選框和主干網(wǎng)絡(luò)的卷積特征圖同時(shí)作為RoI池化層的輸入，生成位置敏感分?jǐn)?shù)圖（Position Sensitive Score Maps）以及位置敏感分?jǐn)?shù)圖上的RoI區(qū)域，池化后連接一個(gè)softmax分類(lèi)層和邊框回歸層，對(duì)目標(biāo)進(jìn)行精確分類(lèi)和邊框回歸。最后，使用NMS去除重疊度IoU較大的目標(biāo)框，輸出最終結(jié)果。


本文編號(hào)：3126290