手工特征与深度神经网络特征提取用于光学相干断层扫描（OCT）图像分类的比较
计算机视觉与模式识别
2018-09-11 v1 机器学习
机器学习
摘要
光学相干断层扫描使眼科医生能够获得视网膜的横截面成像。辅以数字图像分析方法，可进行有效的疾病检测。存在多种从OCT图像提取特征的方法。本研究旨在比较手工特征与深度神经网络特征的有效性。所评估数据集包含32339个样本，分布于四个类别，即CNV、DME、DRUSEN与NORMAL。方法包括方向梯度直方图（HOG）、局部二值模式（LBP）、DenseNet-169与ResNet50。结果显示，深度神经网络方法优于手工特征，DenseNet与ResNet准确率分别为88%与89%，而HOG与LBP分别为50%与42%。深度神经网络方法在代表性不足的类别上也表现出更好的结果。
引用
@article{arxiv.1809.03306,
title = {A Comparison of Handcrafted and Deep Neural Network Feature Extraction for Classifying Optical Coherence Tomography (OCT) Images},
author = {Kuntoro Adi Nugroho},
journal= {arXiv preprint arXiv:1809.03306},
year = {2018}
}