结合代价敏感半监督集成学习的糖尿病视网膜病变分级

针对传统糖尿病视网膜病变（糖网）分级诊断系统中，由于数据集中缺少病灶区域的标记和类别分布的不平衡性导致无法有效地进行监督性分类的问题，提出基于代价敏感的半监督Bagging（CS-SemiBagging）的糖网分级方法。首先，从眼底图像上删除视网膜血管，并在此图像上检测疑似的红色病灶（微动脉瘤（MAs）与出血斑（HEMs））；然后，从颜色、形状和纹理方面提取22维的特征用于描述每个病灶区域；其次，构建一个CS-SemiBagging模型对MAs与HEMs进行分类；最后，依据不同病灶的数量将糖网划分为4级。通过对国际公共数据集MESSIDOR进行糖网分级评估实验，所提方法获得平均准确率为90.2%，与经典的半监督学习的Co-training方法相比提高了4.9个百分点。实验结果表明，CS-SemiBagging方法在无需提供病灶标注的情况下，能够高效自动地对糖网进行分级，从而既能免除医学图像中标注病灶的费时费力，又可以避免样本类别分布不平衡对分类算法的性能影响，获得较好的效果。     

多核多示例学习的糖尿病视网膜病变诊断

目的 在传统糖尿病视网膜病变（糖网）诊断系统中,微动脉瘤和出血斑病灶检测的精确性决定了最终诊断性能。目前的检测诊断方法为了保证高敏感性而产生了大量假阳性样本,由于数据集没有标注病灶区域导致无法有效地建立监督性分类模型以去除假阳性。为了解决监督性学习在糖网诊断中的问题,提出一种基于多核多示例学习的糖网病变诊断方法。方法 首先,检测疑似的微动脉瘤和出血斑病灶区域,并将其视为多示例学习模型中的示例,而将整幅图像视为示例包,从而将糖网诊断转化为多示例学习问题;其次,提取病灶区域的特征对示例进行描述,并通过极限学习机（ELM）分类算法过滤不相关示例以提升后续多示例学习的分类性能;最后,构建多核图的多示例学习模型对健康图像和糖网病变图像进行分类,以实现糖网病变的诊断。结果 通过对国际公共数据集MESSIDOR进行糖网病变诊断评估实验,获得的准确率为90.1%,敏感性为92.4%,特异性为91.4%,ROC（receiver operating characteristic）曲线下面积为0.932,相比其他算法具有较大性能优势。结论 基于多核多示例学习方法在无需提供病灶标注的情况下,能够高效自动地对糖网病变进行诊断,从而既能避免医学图像中标注病灶的费时费力,又可以免除分类算法中假阳性去除的问题,获得较好的效果。