基于SENet和GBDT的改进CNN视网膜疾病多分类

由于对眼底视网膜图像进行人工诊断分类时存在效率低、漏诊、误诊等情况, 为辅助医师辨别多种疾病的眼底筛查结果, 降低漏检及误检率, 提出一种基于注意力机制SENet的卷积网络模型和GBDT梯度提升的分类方法来解决视网膜疾病分类问题. 该模型在深度学习模型的基础上, 利用采样卷积网络对提取的视网膜出血、视盘水肿、黄斑区病变这3种特征进行学习, 通过GBDT梯度提升的方法进行识别和分类, 并采用大连市第三人民医院提供的真实临床数据对所提方法的性能进行评价. 结果表明, 该模型在平均准确率, 精确率和召回率分别达到99.27%, 98.35%, 0.9810, 在视网膜疾病临床诊断中具有一定的实用价值.     

基于改进MobileNetV2神经网络的视网膜OCT图像多分类

光学相干断层成像(optical coherence tomography, OCT)是一种具有无接触、高分辨率等特点的新型眼科医学诊断方法, 现在已经作为医生临床诊断眼科疾病的重要参考物, 但人工分类疾病费时费力, 视网膜病变的早期发现和临床诊断至关重要. 为了解决该类问题, 本文提出了一种基于改进MobileNetV2神经网络对视网膜OCT图像多分类识别方法. 此方法利用特征融合技术处理图像并设计增加注意力机制改进网络模型, 二者在极大程度上提高OCT图像的分类准确率. 与原有算法相比, 分类效果具有明显提升, 本文模型的分类准确率、召回值、精确度、F1值分别达到98.3%、98.44%、98.94%、98.69%, 已经超越人工分类的准确率. 此类方法不仅在实际诊断中加快诊断流程、降低医生负担、提高诊断质量, 同时也为眼科医疗研究提供新的方向.     

基于AlexNet2_att模型的视神经炎分类

视神经炎(optic neuritis)是一种眼部神经疾病, 会造成儿童和成人的急性视神经损伤, 严重时会有致盲的风险. 因此, 视神经炎早期发现和诊断, 对患者的恢复有着巨大的帮助. 基于视神经炎视网膜图像病变特征不明显, 人工诊断分类困难且准确率不高等问题, 本文设计了一种改进的混合注意力机制CS-CBAM模块, 并将CS-CBAM模块融合到改进的AlexNet网络, 形成一个具有更深层次的AlexNet2_att视神经炎分类模型, 从而实现视神经炎图像的自动分类. 首先, 对数据集中的视网膜图像进行图像尺寸调整, 去除图像冗余信息, 直方图均衡化和数据增强等预处理操作; 然后, 在AlexNet网络的基础上, 引入批归一化层以提高训练速度, 之后, 在改进后的AlexNet网络中融入我们所提出的混合注意力机制CS-CBAM, 形成AlexNet2_att模型; 最后, 使用来自大连市第三人民医院的临床数据对本文模型进行性能评估, 实验结果表明, 该模型的分类准确率可达99.19%. 实验结果证明本文模型具有良好的实用性和鲁棒性, 有很高的实用价值, 可以辅助医生进行视神经炎分类与诊断.