07
2017 Automated Glaucoma Diagnosis using Deep Learning Approach
Method : 分类
Dataset : RIM-ONE 455(255 normal , 200 glaucomatous )
Architecture : CNN + SVM
Results :accuracy(88.2%), specificity (90.8%),sensitivity (85%)
Methods
与传统的手工制作视盘特征的方法不同,该方法由CNN自动从原始图像中提取特征,并将其输入SVM分类器进行分类。
Related work
-
通过提取特征,然后将其输入主成分分析(PCA)降维算法和支持向量机(SVM)模型
-
基于纹理和高阶谱特征的随机森林分类器诊断青光眼
-
小波特征中采用特征选择技术,利用序列最小优化(SMO)分类器对图像中的青光眼进行检测
-
基于Gabor特征的支持向量机
Architecture
卷积神经网络CNN自动提取视盘(OD)区域与视杯区域的特征,不需要人工干预。