导　　师： 刘维湘;赵军

授予学位： 硕士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 糖尿病视网膜病变(糖网病)作为糖尿病的并发症之一,是一个常见且最为严重的眼科疾病,同时也是成年人当中导致失明的主要病因。临床上,医生主要使用眼底镜观察患者眼球后部的视网膜来做出诊断,这一诊断过程通常费时费力、效率低。为了提高诊断效率,糖网病计算机辅助诊断系统应运而生。然而,现有的这些系统都基于深度学习方法建立,需要大量眼底图像数据。由于获取大量的数据非常困难、并且成本高昂,所以当足够的数据难以提供时,建立计算机辅助诊断系统面临巨大的挑战。鉴于此,基于数量较少的眼底图像建立糖网病计算机辅助诊断系统具有重要意义。本文基于迁移学习思想,利用深度迁移学习特征,从两个方面开展研究:(1)基于深度迁移学习特征,对比分析常用机器学习分类算法的性能。当把深度学习用于解决小数据集的分类任务时,容易导致过拟合,难以提升泛化能力。解决方法之一是把通过大量数据预训练的神经网络用于小数据集提取特征,然后使用合适的传统分类算法完成分类。本文使用预训练的卷积神经网络VGGNet从眼底图像中提取特征,然后基于这些特征比较了八个分类算法之间的分类性能。实验结果显示,支持向量机是最优的分类算法。(2)基于深度迁移学习特征,从度量学习的角度出发,利用孪生网络实现小数据集分类。当面对小数据集的数据量非常少的情形时,利用预训练的神经网络提取特征训练传统分类算法来分类的方法不一定总是有效的。受到单样本学习(one-shot learning)思想的启发,我们首先利用来自大数据集的深度迁移学习特征训练孪生网络,之后将该网络用于其他小数据集分类。实验结果表明,在数据量较少时,本文提出的方法,能在一定程度上有效实现眼底图像自动分类。

关 键 词： 糖尿病视网膜病变 孪生网络 迁移学习 度量学习 眼底图像分类

领　　域： [] [] []