论文目的
提出了一种选择性抽样方法去训练CNN网络,用来检测眼底图片中的出血块。最终实现了训练时间从170个时间周期减少到60个时间周期,并且性能提高。实验使用了两个数据集-Kaggle and Messidor。
实现步骤
图像预处理
使用Circular template matching去获取感兴趣的区域
resize图片大小到512*512
调整图像对比度,公式如下:
Ice(x,y;σ) = αI(x,y) + βG(x,y;σ) ∗ I(x,y) + γ
*表示卷积运算符,G(x,y;σ)是具有比例σ的高斯滤波器。 参数值经验选择为:α= 4,β= -4,σ= 512/30和γ= 128。对比度增强图像值用作CNN的输入。
训练数据准备与扩充
不包含任何出血的图像被定义为负图像,而具有出血的图像被定义为正图像。 为了构建CNN训练数据,从这些图像提取像素,其中仅从负图像提取负像素,并且仅在出血位置处从正图像提取正像素。 在CNN训练程序中创建了以提取像素为中心的大小为41x41像素和3个通道深度的相应训练数据块。 数据块标签由中心像素的标签决定。
CNN网络结构
论文中使用的CNN架构由五个卷积层组成,之后是Re- LUs和max-pooling层。 网络的最终层由完全连接的层和最终的softmax分类层组成。
选择性采样
在每个CNN训练时期,每个负样本分配一个权重,与