研究目的
设计和实施深度卷积神经网络以识别渗出液的存在,从而将其分类为糖尿病视网膜病变、青光眼和/或白内障。
研究成果
该论文提出了一种利用卷积神经网络模型检测糖尿病视网膜病变、青光眼和白内障存在性及概率的系统。文中讨论了系统架构与实现细节,并采用二次加权卡帕系数评估准确率。未来工作可扩展分析更多疾病类型并使用更大规模数据集。
研究不足
数据集中镜头质量和相机型号的差异可能会影响视网膜图像的外观。部分图像是通过显微镜镜头拍摄的,与普通相机质量的图像存在差异。这些差异可能会对系统的准确性产生影响。
1:实验设计与方法选择:
该系统采用具有三个卷积层的深度卷积神经网络(CNN),每层深度为32,随后连接最大池化层、全连接层以及带有softmax节点的输出层。
2:样本选择与数据来源:
数据集包含约100万张左右眼标注图像,采集自多个来源,其中约4.5万张用于测试。
3:5万张用于测试。
实验设备与材料清单:
3. 实验设备与材料清单:搭载NVIDIA GeForce 950M GTX系列GPU的Intel Core i7处理器(12GB内存),后端使用TensorFlow,图像预处理采用ImageMagick。
4:实验流程与操作步骤:
对图像进行标准化分辨率预处理、清洗、分割及增强。CNN模型通过随机梯度下降法训练,动量设为0.9,批量大小为100,权重衰减为0.0005,训练250个周期。
5:9,批量大小为100,权重衰减为0005,训练250个周期。
数据分析方法:
5. 数据分析方法:系统准确性通过灵敏度、特异性、准确率和精确率指标评估。
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