基于深度学习的视网膜疾病检测系统文献综述

 2021-11-02 09:11

毕业论文课题相关文献综述

文 献 综 述

1.1研究背景

随着21世纪以来人工智能领域技术的不断发展,深度学习这一技术已被广泛应用于处理计算机视觉及医学图像处理领域的任务[1]。目前,科学家通过多层卷积神经网络配合传统计算机视觉技术,成功的使用计算机算法辅助医生进行医学图像的分割,配准以及疾病自动诊断[2],并达到了较高的准确率。同时,眼部疾病作为全球范围内最普遍的疾病之一,存在患者基数大、医生数量不足等问题,因此急需人工智能辅助手段来帮助医生进行全民全面普查。于是在深度学习技术的不断成熟的大背景以及眼部疾病自动诊断需求的刺激下,利用眼底图像进行疾病自动诊断成为了深度学习在医学图像处理领域的一个新热点。

1.2青光眼及眼底图像疾病知识

青光眼是当前世界第二大主要致盲眼部疾病,并且是一种不可逆的慢性疾病[3]。由于其发病是一个慢性过程并且难以被患者察觉,因此患者往往在前期忽视疾病的严重性,最终导致严重的视力下降甚至完全致盲。正是由于青光眼的慢性发病特性和严重危害,青光眼的人工智能诊断对于青光眼的早预防,早发现,早治疗有着重要的意义,其应用能切实的为人民的生活质量提供医疗技术保障。

目前,针对青光眼的人工智能挣断主要基于对数字眼底彩照的分析,主要判断方法分为两类:基于视杯、视盘进行图像分割的方法[4]以及对于图像直接进行特征提取并分类[5]的方法。前者主要通过对眼底图像中的目标区域(视盘、视杯)进行分割,最终得到视杯盘比等临床参数来进行疾病识别并为医生提供了计算机分类的医学解释;后者则是直接对眼底彩照进行特征提取操作,利用提取到的特征来训练分类器[6]并使用分类器进行识别诊断,从而可以避免进行图像分割操作。

1.3国内外研究现状

深度学习是目前最为火热的人工智能技术之一,并在很多领域的应用中获得良好的表现,比如语音识别[7]、人脸识别[8]、目标检测、自动驾驶[9]等。深度学习之一概念最早起源于2006年,其本质是通过拥有更多隐层数的神经网络[10]来学习目标样本,并训练到更多的特征,以解决更复杂的实际问题。但是随着神经网络层数的增加,梯度消失以及过拟合等问题更加严重。为了解决这些问题,科学家使用深度置信网络(DBN)等方法,通过对数据集的预处理很好的解决了梯度消失的问题,使得深度学习首先在语音识别领域取得认可,但是深度学习方法在主流计算机视觉领域仍不被接受。直到2012年,在ImageNet视觉识别挑战赛(ILSVRC)中,科学家对于深度学习在计算机视觉领域的质疑被打破了,深度学习方法在1000种图像分类任务中取得了前所未有的优秀的成绩,将最高水准的错误率从26.1%降低到了15.3%[11]。经过近十年以来的迅速发展,深度学习已在计算机视觉、自然语言处理、模式识别、医学图像处理等领域取得巨大突破。而巨大突破的背后有三点重要原因,分别是:计算机不断增强的计算能力、大规模可靠数据集的建立和不断发展的深度学习框架。

卷积神经网络(CNN)是目前深度学习研究领域中的热点,也被广泛应用于解决多种计算机视觉任务[12],并取得了优异的成绩。卷积神经网络是一种可以提取网络特征的神经网络[13],主要组成部分有输入层、卷积层、上采样层、下采样层、全连接层等。输入层作为卷积神经网络的最外层,主要负责数据集扩增,增加训练集样本数量来提高模型的鲁棒性,避免过拟合问题。卷积层的主要任务则是特征提取,方法主要是运用卷积核对图像的特征进行卷积。上采样层的主要任务是提高特征图像的分辨率,常用于分割任务。下采样层的主要任务是对上一层输出的特征进行进一步的特征提取,使得特征维度减少,简化网络计算的复杂度,从而提高运算效率。全连接层通常是整个卷积神经网路的最后一层,该层特点是每一个神经元都与上一层的所有神经元相连接,从而达到训练分类器的效果。通过大量数据的训练结合随机梯度下降等算法,计算机可以调整神经网络各层之间的参数,最终得到一个准确率最高的参数模型来解决目标问题。

目前国内外科学家已经提出多种面向图像分割以及识别的神经网络模型,并且这些模型已经在医学图像处理任务中取得了良好的成绩。在图像分割[14]方面,主要采用全卷积神经网络模型(FCN)[15],U-Net模型[16],循环卷积神经网络模型(RNN)等框架。在图像识别[17]方面,主要采用AlexNet, GoogLeNet,ResNet, DenseNet等框架。通过使用数据集去训练这些神经网络框架并应用于实际任务中,目前已经可以达到专业医生的分割与识别的准确率。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。