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.
糖尿病视网膜病变、微动脉瘤、眼底图像、计算机辅助诊断、多示例学习
23
TP301.6(计算技术、计算机技术)
National Natural Science Foundation of China61502091;National High Technology Research and Development Program of China 2015AA020106国家自然科学基金项目61502091;国家高技术研究发展计划863计划基金项目2015AA020106;中央高校基本科研业务费基金项目N161604001,N150408001;沈阳市科技计划基金项目17-134-8-00
2018-06-04(万方平台首次上网日期,不代表论文的发表时间)
共12页
552-563