基于迁移学习的糖尿病视网膜病变预测分析
计算机视觉与模式识别
2022-01-04 v2 人工智能
摘要
随着糖尿病的流行，糖尿病性视网膜病变（DR）正成为世界范围内的重大健康问题。DR 引起的长期医学并发症对患者及社会有显著影响，因为该疾病主要影响处于最具生产力年龄段的个体。早期检测与治疗有助于减轻对患者的损害程度。卷积神经网络在医学领域预测分析中的兴起，为 DR 检测提供了一种稳健解决方案。本文借助迁移学习，研究了若干高效且可扩展的 CNN 架构在糖尿病视网膜病变分类上的性能。研究聚焦于 VGG16、Resnet50 V2 和 EfficientNet B0 模型。使用真阳性率、假阳性率、准确率等多项性能指标分析分类表现，并绘制了混淆矩阵、ROC 曲线等若干性能图以可视化架构表现。结果表明，使用 ImageNet 权重、基于 VGG16 模型的迁移学习取得了最佳分类性能，最佳准确率达 95%；ResNet50 V2 架构紧随其后，最佳准确率为 93%。本文表明，利用卷积神经网络的迁移学习可从视网膜图像实现 DR 的预测分析。
引用
@article{arxiv.2011.04052,
title = {Predictive Analysis of Diabetic Retinopathy with Transfer Learning},
author = {Shreyas Rajesh Labhsetwar and Raj Sunil Salvi and Piyush Arvind Kolte and Veerasai Subramaniam venkatesh and Alistair Michael Baretto},
journal= {arXiv preprint arXiv:2011.04052},
year = {2022}
}
备注
ICNTE