研究目的
提出一种有效的重组残差卷积神经网络(CNN),用于以较少计算量识别AMD、DME和正常SD-OCT图像。
研究成果
当卷积核尺寸较小时,重组残差CNN在黄斑病变识别中比原始残差CNN及相关研究表现更优,最高总体准确率达到90%。详细的中级特征能提升识别准确率,但对于糖尿病性黄斑水肿,具有更大感受野的高级特征也有帮助。未来工作将把具有更大感受野的高级特征整合到重组残差CNN中。
研究不足
该研究的局限性在于医学SD-OCT数据集的规模相较于ImageNet和COCO等公开数据集较小,可能导致泛化能力差或过拟合。当核尺寸固定为7×7时,重组残差CNN的性能优势会逆转。
1:实验设计与方法选择:
本研究以18层残差卷积神经网络为基础架构,通过移除部分提取低级或高级特征的卷积层组并将其重组至网络中部以增强中级特征提取能力。调整卷积核尺寸以改变卷积计算时的视觉感受野范围。
2:样本选择与数据来源:
采用的谱域光学相干断层扫描(SD-OCT)数据集为公开数据,源自杜克大学、哈佛大学及密歇根大学,包含45名受试者(15例正常、15例年龄相关性黄斑变性AMD、15例糖尿病性黄斑水肿DME)的图像资料。
3:实验设备与材料清单:
搭载Intel Core i7-6700HQ处理器(8GB内存)的计算机,使用Caffe开源深度学习框架实现模型训练。
4:实验流程与操作步骤:
图像经BM3D滤波去噪后输入卷积神经网络。该网络在ImageNet数据集上进行预训练,训练过程中采用初始学习率0.01,每1500次迭代衰减至十分之一,并通过随机梯度下降法进行优化。
5:01,每1500次迭代衰减至十分之一,并通过随机梯度下降法进行优化。
数据分析方法:
5. 数据分析方法:采用五折交叉验证评估模型性能,指标包括准确率、精确率、召回率、F1分数及各图像平均处理耗时。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容