基于深度学习的视网膜病变OCT图像分类方法研究
视网膜疾病的患病率在全球范围内正在逐步增加，黄斑异常是视网膜病变的主要原因，典型的视网膜疾病包括脉络膜新生血管、糖尿病性黄斑水肿和玻璃膜疣等。视网膜疾病的发生在老年人群当中尤其普遍，而且由于全球人口老龄化的趋势逐年上升，医疗保健系统将进一步承受更加沉重的负担。因此，开发一种智能的黄斑异常诊断工具辅助眼科医生诊断是十分必要的。 临床上主要采用光学相干断层成像（OpticalCoherenceTomography,OCT）技术进行视网膜病变筛查，该技术具有分辨率高、无损等优点，能够快速扫描并获得视网膜的横断层图像。但是目前对视网膜疾病的诊断主要通过眼科医生观察OCT图像获得结果，但是可能在此过程中出现主观的误判且耗费时间。基于以上背景，本文开展如下工作： 首先，针对目前OCT图像分类模型缺乏市场化应用潜力，提出了一种轻量级的卷积神经网络（ConvolutionalNeuralNetworks,CNN）并结合支持向量机（SupportVectorMachine,SVM）的框架命名为CNN-SVM，该框架由一个改进的轻量级的MobileNet-V3骨干网络和SVM分类器组成，改进的MobileNet-V3骨干结合了瓶颈注意力模块（BottleneckAttentionModule,BAM)，用来捕获感兴趣的空间区域，同时利用非对称卷积块提高了网络的特征提取能力。SVM分类器对骨干网络提取的特征进行分类。 然后为了验证提出的CNN-SVM的性能。基于多种评价指标（精度、召回率、F1得分和准确率等）通过四组实验分析，结果表明CNN-SVM框架实现了良好的性能，优于其它先进的OCT图像分类模型，并通过可视化的热力图显示了强大的解释性。且该模型框架还具有很好的泛化性和鲁棒性，是一种可以用于黄斑异常的分类的可行、可靠的工具。该框架在实际医疗场景中作为一种医疗诊断的辅助工具，可以帮助眼科医生减少工作负担，提高决策效率,在眼科诊断的临床实践中具有一定潜力。
视网膜病变;MobileNet-V3软件;瓶颈注意力模块;非对称卷积块;支持向量机;光学相干断层扫描
北京化工大学
硕士
计算机科学与技术
谷宇
2022
中文
R779.63
2022-11-02（万方平台首次上网日期，不代表论文的发表时间）