青光眼眼底图像的快速分类
图像与视频处理
2021-05-19 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
我们提出一种训练卷积神经网络的新方法，其将强化学习与被监督学习相集成，并用于迁移学习以从彩色眼底图像分类青光眼。该训练方法通过两类不同的爬山者（即“随机移动”与“随机检测”）借助带动量的随机梯度下降（SGDM）模型与被监督学习模型集成，使用爬山技术。该模型使用含有青光眼与正常眼底图像的 Drishti GS 和 RIM-ONE-r2 数据集进行训练与测试。预测的性能指标通过在五种 CNN 架构（即 GoogLenet、DenseNet-201、NASNet、VGG-19 与 Inception-resnet-v2）上的迁移学习进行测试。采用五折分类评估性能，在保持高准确率的同时实现了高灵敏度。在所测模型中，DenseNet-201 架构在灵敏度与曲线下面积（AUC）方面表现最佳。这种训练方法允许在小数据集上迁移学习，并可应用于包括本地数据集训练的远程眼科应用。
引用
@article{arxiv.2102.04400,
title = {Rapid Classification of Glaucomatous Fundus Images},
author = {Hardit Singh and Simarjeet Saini and Vasudevan Lakshminarayanan},
journal= {arXiv preprint arXiv:2102.04400},
year = {2021}
}
备注
Submitted for publication in JOSA A: Optics and Image Science, currently under revision