大规模眼底图像数据集分类：一种云计算框架
计算机视觉与模式识别
2016-10-25 v1
摘要
具有高维性的大型医学图像数据集需要大量的计算时间用于数据创建和数据处理。本文提出了一种新颖的通用方法，可找到最优的基于图像的特征集，在最大化糖尿病视网膜病变（DR）检测整体分类精度的同时降低计算时间复杂度。首先，从眼底图像中提取基于区域和基于像素的特征，用于分类DR病灶和血管样结构。接下来，使用特征排序策略来区分最优分类特征集。DR病灶和血管分类精度分别使用Microsoft Azure Machine Learning Studio平台中的提升决策树（boosted decision tree）和决策森林（decision forest）分类器计算。对于来自DIARETDB1数据集的图像，使用其40个排名最高的特征对四种DR病灶类型进行分类，平均分类精度为90.1%，耗时792秒。此外，对于红色病灶区域和微动脉瘤出血的分类，分别观察到85%和72%的精度。对于来自STARE数据集的图像，40个高排名特征可在326秒内以83.5%的精度分类微小血管。这种基于云的眼底图像分析系统可显著增强自动筛查系统中的边界分类性能。
引用
@article{arxiv.1603.08071,
title = {Classification of Large-Scale Fundus Image Data Sets: A Cloud-Computing Framework},
author = {Sohini Roychowdhury},
journal= {arXiv preprint arXiv:1603.08071},
year = {2016}
}
备注
4 pages, 6 figures, [Submitted], 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society 2016