本文提出了一种使用熵采样和集成学习来自动检测青光眼的光学杯和盘分割方法。通过对DRISHTI-GS数据集的预处理，包括绿色通道的霍夫变换定位和颜色空间转换，增强图像对比度。熵采样策略解决了像素级信息冗余问题，提高了算法区分视盘、视杯和背景的能力。通过卷积神经网络和无监督图割算法实现分割，并采用逐阶段学习的贪婪方法，不需要大量训练数据。实验表明，这种方法在降低计算复杂性的同时，性能优于传统均匀采样。然而，数据量有限和采样策略的优化是未来的研究方向。
2017
Computerized Medical Imaging and Graphics
Method ： 分割
Dataset： DRISHTI-GS
Architecture： entropy sampling and ensemble learning
Results: F 0.973
Preprocessing
crop
在绿色通道采用圆形霍夫变换 对视盘定位
crop ， 使视盘和视杯在剪裁中心，减少计算负担，更多关注 ROI
转换颜色空间
增强了视杯视盘相对于背景的对比度
解决问题：像素级信息高度冗余，相邻像素往往提供高度相关的信息。
选择信息量最大的点，规避了等概率均匀采样的缺陷
计算总熵，抑制噪声
优点：使算法更容易学
1177
578
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
