用于糖尿病视网膜病变分类的先进深度学习算法的转化与实现
计算机视觉与模式识别
2020-10-23 v1 人工智能
摘要
糖尿病视网膜病变（DR）是糖尿病患者中出现的一种视网膜微血管疾病。DR将继续作为全球致盲的主要原因，预计2030年全球确诊患者达1.910亿。微动脉瘤、出血、渗出物和棉絮斑是DR的常见体征，但它们可能很小且难以被人眼察觉。DR的早期检测对于有效的临床治疗至关重要。现有的图像分类方法需要大量时间进行特征提取与选择，且性能有限。卷积神经网络（CNNs）作为一种新兴的深度学习（DL）方法，已在图像分类任务中证明其潜力。本文对实现最先进CNN用于DR检测与分类进行了全面的实验研究，以确定该任务中性能最优的分类器。通过实验评估了五种CNN分类器，即Inception-V3、VGG19、VGG16、ResNet50和InceptionResNetV2，它们根据DR严重程度将医学图像分为五类。由于标注医学图像有限且不平衡，应用了数据增强与迁移学习技术。实验结果表明，ResNet50分类器在二分类中性能最优，InceptionResNetV2分类器在多类DR分类中性能最优。
引用
@article{arxiv.2010.11692,
title = {Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy},
author = {Mihir Rao and Michelle Zhu and Tianyang Wang},
journal= {arXiv preprint arXiv:2010.11692},
year = {2020}
}
备注
Pre-print version (in-review)