基于代价敏感正则化和EfficientNet的糖尿病视网膜病变分类方法

糖尿病视网膜病变（DR）是糖尿病的常见并发症,是目前世界范围内导致失明的主要疾病之一。临床的早期阶段很难检测到DR。本文提出一种基于卷积神经网络的计算机辅助诊断方法,根据眼底的图像自动分类DR的严重程度。采用多种预处理方法提高输入图像的质量,并且采用多种数据增强的方法来提高数据集的均衡性。使用代价敏感正则化扩展标准分类损失函数,根据预测等级和真实等级相差程度的不同,对其施加不同的惩罚。在ImageNet数据集上进行预训练,从而引入迁移学习,并且使用Softmax激活函数的全连接层使模型获得更好的性能。基于两个数据集的实验结果表明,相较于近期学者的研究结果,该模型能够实现二次加权kappa分数约5%的改善,AUC约3%的改善。将代价敏感正则化引入到EfficientNet网络模型可以提高糖尿病视网膜病变分类任务的准确率,能够得到很好的模型性能。     

基于多路径输入和多尺度特征融合的视网膜血管分割

视网膜血管的形态变化,如分叉角度、扩张程度等 ,可为眼底疾病的诊断提供依据。 使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多 路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了 多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网 膜图像的分割效果差的 问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏 感性分别取得0.814和0.813,特异性 分别取得0.984和0.986,在分割准确率指标上 分别取得0.969和0.975,所提方法相较于其他方法较优。     

糖尿病视网膜病变眼底图像筛查研究

眼底照相是获取眼部图像的主要技术之一。利用眼底相机对视网膜病变区域进行拍摄可以获得清晰的图像,从获取的图像中能够直接观察到眼球中的渗出物、出血点和微血管瘤,根据检测出的病灶类型、数量和位置等信息可进行糖尿病视网膜病变分类。基于此,本文利用深度神经网络对糖尿病视网膜病变进行自动分类识别,提出了一种体系结构简单、在通用设备上运行速度快的卷积神经网络CA-RepVGG(CA代表Channel Attention, RepVGG为现有模块)。利用单路极简结构的RepVGG模块替代复杂的可使用性较差的模块作为分类模型的主体部位,并选用高效通道注意力机制ECA替代压缩注意力机制SE,以此来提升模型对病变分级的能力。此外,本文还将CA-RepVGG模型与传统的分类模型VGG-16、Inception-V3、ResNet-50和ResNext-50模型进行了比较。从比较结果可以看出,虽然CA-RepVGG模型的参数量最大,但由于其是单分支结构,且只有3×3卷积块,因此它的模型复杂度并不高,分类速度很快,比另外4个模型中分类速度最快的ResNet-50还高出15.3%。另外,利用两个混淆矩阵展示了所提模...     

基于背景估计和集成分类的眼底硬性渗出检测

眼底图像中硬性渗出的检测对于糖尿病性视网膜病变(简称"糖网")的早期诊断具有重要意义.为了实现眼底图像中硬性渗出物的自动检测,本文提出了一种结合背景估计和集成分类的眼底图像硬性渗出物自动检测方法.首先,对图像进行亮度校正、去噪、对比度增强等预处理操作,然后结合形态学方法进行背景估计和图像重建并移除视盘区域,得到渗出物候选区域.最后利用集成分类方法对候选区域进行分类,提取最终的硬性渗出区域.实验结果表明,本方法能够有效准确地检测到眼底图像中的硬性渗出物,对于糖网自动诊断技术的研究具有积极意义.     

MS-UNet++:基于改进UNet++的视网膜血管分割

本文针对视网膜图像中细微血管特征提取困难导致其分割难度高等问题,提出了一种 基于端到端的神经网络嵌套视网膜血管分割模型算法(简称MS-UNet++),该算法选取了深度监督网络UNet++作为分割网络模型,提升特征的使用效率;引入MulitRes模块,改善低对比度环境下细小血管的特征学习效果,并在特征提取后加上SENet模块进行挤压和激励操作,从而增强特征提取阶段的感受野,提高目标相关特征通道的权重。基于DRIVE图像数据集的实验结果表明,该算法分割结果与真实结果之间的重叠率DICE值为83.64%,并交比IOU为94.83%,准确度ACC为96.79%,灵敏度SE为81.78%,较现有模型有一定的提升,可用于视网膜图像血管分割,为临床诊断提供辅助信息。     

融合Resnet50和U-Net的眼底彩色血管图像分割

眼底血管图像特征信息复杂度较高且现有算法对视网膜微血管分割不足,对病灶区域会产生误分割.针对以上问题,文中提出了一种融合Resnet50和U-Net的眼底彩色血管图像分割模型.通过数据增强提高数据集的数量以增加算法的鲁棒性.融合高斯双边滤波和限制对比度直方图均衡化来增强视网膜微细管的特征信息.利用自适应Gamma矫正提...     

基于视网膜血管模型的图像分割与血管提取

本文采用非线性图像处理方法,对眼底图像进行去噪增强和分析,提取血管中心线,以便于对视网膜血管网络进行定量描述和定量分析。实验表明该方法能好地从非荧光眼底图像中提取出膜血管网络。     

一种基于自适应软分配的图像分类方法

视觉词袋模型(BoVW)是当前图像分类领域的主流方法,然而,视觉单词同义性和歧义性问题严重制约了该模型的性能,进而降低图像分类准确率。针对该问题,本文提出一种基于自适应软分配的图像分类方法。该方法首先对尺度不变特征变换(SIFT)特征映射到视觉单词的距离进行分析,按一定的规则进行归类,并针对具有不同模糊程度的SIFT特征采用自适应的分配策略;然后,通过卡方模型分析各个视觉单词与图像类别之间的相关性,并依此去除视觉停用词(VSW),重构视觉单词统计直方图;最后,输入到支持向量机(SVM)完成分类。实验结果表明,该优化方法能有效地降低视觉单词同义性和歧义性问题带来的影响,增强视觉单词的区分性,进而提高图像分类准确率。     

基于特征提取与机器学习的文档区块图像分类算法

文档区块图像分类对于文档版面图像的理解和分析至关重要。在传统机器学习分类模型中,直接使用图像作为输入会导致模型参数量过大因此无法进行训练。为了克服这个困难,我们在本文中针对文档区块图像设计了一组有效的特征,并提出了基于这些特征和机器学习的文档区块分类算法。在特征设计上,我们提取了几何、灰度、区域、纹理和内容五方面在内的32维特征,以增强特征针对区块类别的分辨能力。在分类器方面,我们在所提出的特征上对传统机器学习分类模型、自动机器学习方法以及深度学习均进行了实验。在公开数据集上的实验结果表明,我们提出的文档版面区块分类算法具有很高的分类准确率,并且十分高效。另外我们实现了一个简单的分步文档版面分析算法,以展示所提出的区块分类算法的推广能力。      

基于线算子引导多尺度匹配滤波的视网膜血管分割

视网膜血管的形态分析在糖尿病、高血压等疾病的计算机辅助诊断中具有重要的意义。因此文章提出了一种基于线算子引导多尺度匹配滤波的视网膜血管分割方法。利用线算子检测到的血管方向最佳匹配角,根据血管方向与其横截面方向垂直的关系计算出高斯匹配滤波的旋转角,构建3个不同尺度的滤波器,提取3维匹配滤波特征,结合两个线算子和预处理后的图像灰度,构造6维特征向量,使用SVM对眼底图像像素进行分类。这样在每个尺度下只需计算血管方向最佳匹配角所对应的旋转角下的匹配滤波响应,降低了多尺度匹配特征提取的计算量。通过对DRIVE数据库的眼底图像进行实验,得到平均准确度、灵敏度和特异性分别为0.9424、0.7701和0.9697,对视网膜血管进行了有效的分割。     

人工智能在眼底图像识别方法中的应用

眼底在眼科医学中是重要的研究对象,眼科医生往往通过眼底图像来诊断人眼疾病。为提高眼科医生的眼疾诊断率,研究利用图像处理和人工智能技术对眼底图像进行智能识别的可行性。首先对眼底图像数据运用OpenCV、MATLAB包含的多种图像技术进行有效处理,然后利用TensorFlow建立不同结构不同参数的卷积神经网络,对处理后的眼底图像进行特征提取与训练学习;通过改变层级和加入中心损失函数来提升识别率以优化网络,将眼底图像输入网络即可实现眼底疾病的快速分类同时显示相应的识别概率。选取包括糖尿病、青光眼等八类500张250*166像素眼底图片进行分类训练及测试实验。结果表明,网络模型在迭代次数为20 000次时,识别率达到44. 81%。该方法实现了对眼底图像的识别,可帮助眼科医生辅助判断眼疾。     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。     

基于云模型相似度的图像分类方法研究

云模型相似度方法是对象相似性分析的一种重要方法.为提高图像分类的准确性,提出一种基于云模型相似度的图像分类方法.首先给出图像云模型的定义,然后根据云模型方法的逆向云算法对图像云模型特征进行数字特征计算,最后引入云模型相似性测度方法对图像云模型相似性进行测算并确定图像分类.仿真结果表明,文章所提方法可准确地对图像进行分类,且计算效率较高.     

病变视网膜图像血管网络的自动分割

现有的视网膜血管分割方法大多只针对正常的视网膜图像进行分割,不能实现对发生病变的视网膜图像的分割.为此,提出了一种新的病变视网膜图像血管网络分割方法.该方法首先采用向量场散度方法获得病变视网膜图像中大部分血管的中心线,然后计算出中心线上各像素点的方向信息并采用改进的定向局部对比度方法检测出中心线两侧的血管像素,最后对获得的血管段末端进行反向外推追踪,分割出最终的血管网络.通过对通用的STARE眼底图像库中所有病变视网膜图像的实验仿真,结果表明本文算法获得了0.9426的ROC曲线面积和0.9502的准确率,算法性能明显优于Hoover算法和Benson等提出的算法.此外,本文算法还克服了Benson算法的局限性,对不同类型的病变视网膜图像都具有较好的鲁棒性.     

一种新的图像检索方法

常规基于内容图像检索的方法是提取图像的颜色、纹理等物理特征,运用相似性度量准则从图像库中查询相似的图像。为了提高图像检索的正确率,这里提出改进的方法。具体方法是:提取图像的物理特征,并将特征作为支持向量机(SVM)的输入向量,对图像进行分类,然后利用分类结果,对检索图像进行相似性匹配,从同类图像中找出相似的图像。实验结果显示,该方法的检索结果优于常规方法。     

一种新的视网膜血管图像增强方法

提出了一种基于多尺度顶-帽变换和直方图拟合拉伸的视网膜血管图像增强方法。首先,应用多尺度顶-帽变换提取不同尺度下的图像亮、暗特征,并从中选择最优的特征对图像进行初步增强。然后,结合视网膜血管图像的灰度直方图分布特性,对初步增强结果进行直方图高斯曲线拟合线性拉伸。为验证方法的有效性,以Drive眼底图像数据库为实验对象,并与其它多种增强算法进行了比较。实验结果表明,相比其它算法,本文方法能够更加有效地提高图像的对比度,并在细节上有很好的增强效果。     

基于BoF和迹变换多特征融合的图像纹理分类研究

针对BoF模型缺少几何特征、结构特征的表达，对纹理图像特征描述不充分等问题，提出一种基于BoF和迹变换多特征融合的图像纹理分类方法。首先通过关键点检测的方法获取纹理图像的碎片化图像，然后提取碎片化图像的迹变换特征和SIFT特征，通过特征交叉编码的方式和动态鉴别能量的方法，获取迹变换特征和SIFT特征的融合特征并进行特征单词优选，再以BoF模型进行特征编码，最后输入到支持向量机（SVM）中进行训练、预测和分类。实验在OutexTC10/TC12000和KTHTIPS纹理数据集上分别取得了100%、99.87%和97.6%的识别精度，结果表明该设计方法对具有几何特征、结构特征的纹理图像可以获得较好的分类效果，有效地提高了纹理分类的识别性能。     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。     

基于迁移学习和SVM的糖网图像分类

为解决基于卷积神经网络(CNN)的糖尿病视网膜病变(DR)图像分类算法上普遍存在模型参数难以训练、易过拟合的问题,本文提出一种基于迁移学习和支持向量机(SVM)分类器的DR图像分类算法。首先,对DR图像进行预处理和数据扩增;其次,采用迁移学习方法预初始化深度学习分类算法中的经典框架VGGNet-16网络的模型参数,固定浅层网络参数不变,微调深层网络参数;最后,提取VGGNet-16最后一个隐藏层的特征向量训练支持向量机(SVM)分类器判定DR图像是否病变。实验结果表明,在Kaggle-DR公共数据集共35126张DR图像进行实验,在随机抽取的3500张作为测试集,分类准确率为0.931、敏感性为0.933、特异性为0.928,并能加快网络收敛和提高模型的泛化性。     

一种基于改进的PCNN的视网膜血管树提取方法

根据脉冲耦合神经网络（PCNN）动态点火特性和视网膜血管网络区域结构特征,提出了一种基于改进型PCNN（IPCNN）的视网膜血管树提取方法。该方法对二维高斯匹配滤波预处理增强后的眼底图像运用IPCNN分割出增强图像的血管网络,然后对分割得到的血管网络结合区域连通性特征,采用长度滤波算子滤除噪声,提取出最终的血管树。通过...