07
2017 Automated Glaucoma Diagnosis using Deep Learning Approach
Method ： 分類
Dataset ： RIM-ONE 455（255 normal ， 200 glaucomatous ）
Architecture : CNN + SVM
Results ：accuracy（88.2%）, specificity （90.8%）,sensitivity （85%）
Methods
與傳統的手工制作視盤特征的方法不同，該方法由CNN自動從原始圖像中提取特征，并将其輸入SVM分類器進行分類。
Related work
- 通過提取特征，然後将其輸入主成分分析(PCA)降維算法和支援向量機(SVM)模型
- 基于紋理和高階譜特征的随機森林分類器診斷青光眼
- 小波特征中采用特征選擇技術，利用序列最小優化(SMO)分類器對圖像中的青光眼進行檢測
- 基于Gabor特征的支援向量機
Architecture
卷積神經網絡CNN自動提取視盤(OD)區域與視杯區域的特征，不需要人工幹預。
-
Pre-processing
resized to 227×227 pixels
without any enhancement or further pre-processing step
劃分 training 0.7 test 0.3
-
Feature Extraction using CNN
use a pre-trained CNN model Alexnet(23 layer)
去掉全連接配接層來提取特征
-
Train SVM using CNN Features and Predication
從CNN提取的特征輸入SVM 訓練
将資料 分成 兩類
Results
Evaluation
accuracy（88.2%）, specificity （90.8%）,sensitivity （85%）
Discussion
- 沒有應用任何資料增強或子采樣的情況下實作所提出的系統
- 不需要分割CD光牒
- 所有表示感興趣區域的特征都是由CNN從資料本身自動提取的，不需要手工提取特征
- 遷移學習有用
- 使用更有效的資料擴充和資料抽樣方法來獲得在準确性、敏感性、特異性和其他名額方面測量到的更高性能
- 資料集 太小 455