基于机器学习的糖尿病视网膜病变分级研究

摘要

糖尿病视网膜眼底病变作为糖尿病的严重并发症之一，患者日趋年轻化。因此，糖网病的筛查预防工作变得尤为重要。医生诊断主要依赖其临床经验，而传统的研究方法是在大量分析糖网眼底病变的主要生理特征基础上，设计特征，通过采集患者眼底图像数据，提取这些潜在特征，辅以机器学习分类方法进行特征判断，如SVM，RandomTree等。这些手段费时耗力、代价高，其细微特征前期不易觉察，待其较明显时再治疗就显得不够及时，迫切需要新的方法。深度学习具有强大的非线性表达能力，通过一些简单的非线性模型把原始数据进行更高层次的表达。卷积神经网络（CNN）作为深度学习中重要的一种，在模式分类领域有着广泛的应用。针对上述研究中的困难和问题，利用卷积神经网络在糖尿病视网膜病变眼底图像处理领域进行研究，主要研究内容如下：
　　（1）结合糖尿病视网膜病变在眼底图像中生理病症的主要特点，提出眼底图像特征提取方法，使用边缘检测、数学形态学等方法，血管结构提取、渗出区域检测等，提取眼底图像关键特征并进行空间配准。弱化原始各图像间差异，在此基础上进行图像融合使主要特征得到一定强化。
　　（2）提出糖尿病视网膜病变眼底图像卷积神经网络模型DrNet，对眼底图像进行分类。基于CAFFE深度学习框架，利用Fine Tuning思想对DrNet进行预训练、训练和优化，实验证明该模型在糖尿病视网膜病变眼底图像分级研究上有较好的效果。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 糖尿病性视网膜病变概述

1.3 国内外研究现状及存在的问题

1.4 论文研究内容及组织结构

第2章 相关技术理论基础

2.1 卷积神经网络的发展

2.2 卷积神经网络的训练

2.3 卷积和池化

2.4 激活函数

2.5 梯度下降算法

2.6 本章小结

第3章 眼底图像特征表达与分类模型设计

3.1 眼底图像病症分析

3.2 眼底图像特征提取

3.3 基于AlexNet的DrNet眼底图像分类模型

3.4 DrNet网络参数设计方法

3.5 模型超参数的设计

3.6 本章小结

第4章 实验与结果分析

4.1 实验环境

4.2 数据集分析

4.3 实验评价方法

4.4 实验设计与结果分析

4.5 本章小结

结论

参考文献

致谢