基于CNN的迁移学习与LBP数据增强青光眼诊断方法
信号处理
2020-09-15 v1
摘要
青光眼会对视网膜神经纤维造成不可逆损伤，若未在早期检出将导致视力丧失。因此，早期青光眼诊断可防止进一步视力丧失。本文提出一种基于卷积神经网络（CNN）的自动化青光眼诊断方法，利用视网膜眼底图像实现。该方法采用迁移学习技术与基于局部二值模式（LBP）的数据增强。在所提方法中，我们使用Alexnet作为预训练CNN模型进行迁移学习。首先，该方法将眼底图像数据集划分为训练与测试数据。进而，将训练与测试数据中的彩色眼底图像分离为红（R）、绿（G）、蓝（B）通道。此外，在训练数据上执行基于LBP的数据增强，具体地对各通道计算LPB。最后，增强后的训练数据通过迁移学习训练CNN模型。在测试阶段，测试图像的R、G、B通道被输入训练好的CNN模型，产生3个决策。我们采用决策级融合技术合并训练好CNN模型所得决策。所提方法在公开RIM-ONE眼底图像数据库上的实验评估取得了青光眼诊断的SOTA性能。
引用
@article{arxiv.2002.08013,
title = {CNN-based approach for glaucoma diagnosis using transfer learning and LBP-based data augmentation},
author = {Shishir Maheshwari and Vivek Kanhangad and Ram Bilas Pachori},
journal= {arXiv preprint arXiv:2002.08013},
year = {2020}
}
备注
7 pages, 3 figures, 4 tables