A retinal vessel detection approach using convolution neural network with reinforcement sample learning strategy
采用卷积神经网络和强化样本学习策略对视网膜血管进行检测
摘要
本文将检测任务定义为一个分类问题,并使用卷积神经网络(CNN)作为两类分类器进行求解。该模型由2个卷积层、2个池化层、1个dropout层和1个loss层组成。该算法的贡献是双重的。首先,设计了一种新的CNN模型来自动提取视网膜血管区域的特征并对其进行分类。与传统的分类程序相比,它是全自动的,不需要预处理和手工提取和描述特征。其次,提出了一种新的强化样本学习方法,以减少迭代次数和训练时间。利用视网膜数字图像进行血管提取(DRIVE)和视网膜结构化分析(STARE)数据集的训练和测试。本文提出的CNN在DRIVE数据集(91.99%准确率,0.9652 AUC score, ROC下面积),STARE数据集(92.20%准确率,0.9440 AUC值)上实现了更好的性能,明显优于目前最先进的视网膜血管自动分割算法。我们进一步比较了我们的结果与几种最先进的方法基于AUC值。对比表明,我们的方案获得了第二好的AUC值。该方法无需预处理,具有较高的精度和训练速度。
1.介绍
2.提出的方法
2.1 CNN框架
在该模型中,CNN的输入为ROI图像,输出为ROI中心像素的分类结果。与传统的分类方法相比,CNN能够通过自适应其多层前馈结构自动提取不同的特征。该方法采用五种类型的层来构造CNN网络。这些层分别是卷积层、池化层、Dropout层、全连接层和损失函数层。其中使用dropout层提高网络的泛化能力。
在卷积层中,设x l−1(m)为l-1层的第m个输入特征,W l( m, n)为连接输出层第n个特征与输入层第m个特征的滤波器的权值,bl(n)为偏置。第l卷积层的xl(n)值计算为:
其中*是卷积运算,而f是一个非线性sigmoid函数。随机初始化滤波器的权值W l(m,n),然后通过反向传播算法进行更新。