研究目的
探索基于VGG-16网络的深度迁移学习在光学相干断层扫描（OCT）图像中准确自动分类年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿（DME）的应用，以辅助医学诊断并减轻临床医生工作负担。
研究成果
基于VGG-16网络的深度迁移学习方法在小样本视网膜OCT图像分类中展现出高效性，其准确率可与人类专家相媲美。该方法为预诊断提供了全自动解决方案，既能减轻临床医师工作负担，又具备辅助临床诊断决策的潜在应用价值。未来研究应着重将该方案转化为可供医疗实际应用的软件系统。
研究不足
预训练的VGG-16网络无法提供结果的透明解释，这限制了其在无临床支持情况下用于治疗指导的应用。其性能略逊于使用大型数据集从头开始训练CNN，但由于数据收集困难和训练时间更长，这种方法实施难度较大。
1：实验设计与方法选择：
本研究采用深度迁移学习方法，通过微调预训练的VGG-16网络（基于ImageNet数据集）将视网膜OCT图像分类为脉络膜新生血管（CNV）、糖尿病性黄斑水肿（DME）、玻璃膜疣和正常四类。方法包括图像预处理、数据集划分及反向传播网络再训练。
2：样本选择与数据来源：
2013至2017年间回顾性收集5家机构（Shiley眼科研究所、加州视网膜研究基金会等）5319例成人患者的207,130张视网膜OCT图像。预处理后使用109,312张图像，其中633例患者的1000张图像（每类250张）作为验证集，其余4686例患者的图像作为训练集。
3：实验设备与材料清单：
主要设备为德国海德堡工程公司的SD-OCT成像仪（Heidelberg Spectralis）。计算资源包括Ubuntu 16.04系统（搭载Intel酷睿i7-2700K CPU、256GB内存、双AMD Filepro闪存及NVIDIA GTX 1080显卡）。软件工具包含Python及其numpy、scikit-learn模块。
4：04系统（搭载Intel酷睿i7-2700K CPU、256GB内存、双AMD Filepro闪存及NVIDIA GTX 1080显卡）。软件工具包含Python及其numpy、scikit-learn模块。 实验流程与操作步骤：
4. 实验流程与操作步骤：图像经视网膜专家标注后进行标准化预处理（调整为224×224像素），随后划分数据集。通过载入预训练卷积层权重微调VGG-16网络，并针对四输出类别重新训练全连接层。训练采用SGD优化器（学习率0.001、动量0.9、权重衰减10^-4），以1000张图像/批进行200轮次训练。
5：动量权重衰减10^-4），以1000张图像/批进行200轮次训练。 数据分析方法：
5. 数据分析方法：使用准确率、灵敏度、特异度及受试者工作特征（ROC）曲线评估性能。基于真阳性、假阳性、真阴性、假阴性指标，通过Python的numpy和scikit-learn进行统计分析。
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-
GPU
GTX 1080
NVIDIA
Used for training and validation of the deep learning model, providing computational power for processing large datasets and running the VGG-16 network.
-
SD-OCT device
Spectralis
Heidelberg Engineering
Used for acquiring retinal OCT images with specific scan protocols, including volume scans and B-scans, to capture cross-sectional representations of retinal pathology.
-
CPU
Core i7-2700K
Intel
Part of the computational system used for running the deep learning training and validation processes.
-
RAM
Provides memory for data processing during the deep learning experiments.
-
Flash storage
Filepro 512 Gb PCIe-based
AMD
Used for storage of datasets and software during the computational processes.
-
Operating system
Ubuntu 16.04
The platform on which the deep learning software and tools were run for model training and validation.
-
Python modules
numpy and scikit.learn
Anaconda Python, Continuum Analytics
Used for statistical analysis and data processing in the study, including calculation of accuracy, sensitivity, specificity, and ROC curves.
-
登录查看剩余5件设备及参数对照表
查看全部
