基于迁移学习与特征融合的眼底图像分类

摘要

针对大量眼底图片难以收集和标注、有经验的眼科医生地区分配不均匀等,导致眼底疾病患者检查准确度低、花费时间较长等问题,本文基于迁移学习提出一种图像分类方法:首先修改EfficientNet-B0和EfficientNet-B7模型并进行参数微调,将微调后的模型作为特征提取器用于提取眼底图像的特征,再对提取的特征进行特征融合并使用DNN分类器实现最终分类,同时使用加权梯度类激活映射可视化解释模型诊断异常的原因.提出的方法在内部数据上十折交叉验证得到的平均准确度、灵敏度和AUC分别为95.74％,96.46％,0.987,在公开数据集JSIEC上获得97.04％的准确度和97.14％的灵敏度.结果 表明该方法可用于大规模筛查异常眼底,辅助医生实现高效诊断.