深度学习方法对OCT血管图像分类识别小结

深度学习方法对OCT血管图像分类识别小结

相关背景

      光学相干断层成像是一种干涉成像技术，这种技术能够获取组织的高分辨率横断层图像。这种技术常常用于血管内病症的诊断过程中。但是对于这种图像的分析往往依靠经验丰富的专家的标注和分析，所以尝试利用深度学习中人工神经网络的方法对含有相关特征区域的图像数据进行分类识别，最终达到能够准确判断图像数据中是否存在相关病征。

主要内容

     此次实验中，利用普通的二分类卷积神经网络的方法区分图像数据中是否存在病征区域。输出1代表含有病征区域，输入0代表不含有病征区域。
     分类器网络首先采用多组卷积池化层提取图片的特征，再利用flatten层、dropout层、dense层将学习到的特征映射到两个类别上，将学习到的结果与标签的结果进行对比，利用误差值重新设定权值后多次重复训练，直到达到一个理想的正确率和较低的loss值水平，表明该网络的权值参数已经达到一个较为理想的水平。

相关问题

     在本次实验中由于数据量较小，源图像质量较差，标注不清晰等问题，经过卷积人工神经网络训练后，测试集数据的分类结果不是很理想，所以会考虑到对图像进行一定程度上的预处理操作。整个预处理过程分为坐标变换、亮度变换、滤波处理，主要使用python的PIL库完成这项工作。坐标变化是将由极坐标显示的源数据重新修改为在直角坐标系下呈现的数据，通过这一步操作可以有效将本次图像中出现的多种病征的特征区域呈现出来，提高图像的亮度是因为目标区域相比图像中无关区域明亮度更高，在亮度提升的情况下可以有效达到提升特征区域的对比度的效果。在以上的图像处理过程下也会带来某些区域像素值缺失或者叠加的情况，为了减少这些新出现的情况带来的影响，一般采用平均值代替重叠像素、缺失像素的方法，并采用平滑滤波、中值滤波等多种滤波的方法适当的减少影响，最后将所有图像数据都转换成128*128大小的图像，以便于神经网络进行训练。
     关于人工神经网络参数调整方面，还应该继续深入理解。