深度学习在老年性黄斑中的分类应用
一、方法与结果总结
1.研究方法
仪器: Heidelberg Spectralis
从OCT数据库中获取图像并链接至EMR(电子病历)中,需要注意的是,我们只取两类对象的图片:健康与AMD(老年性黄斑患者),而且每个患者的OCT断层图像只取中心的11张图像。通过随机数据集训练网络,最终从患者角度、黄斑OCT角度、图像角度建立ROC曲线。
实验结果的好坏由ROC曲线下方(即:accuracy)的面积来衡量
2.实验结果
数据量:260w张OCT图像、52690张正常人的OCT图像、48312张老年性黄斑患者OCT图像
图像角度: we achieved an area under the ROC curve of 92.78% with an accuracy of 87.63%
黄斑角度: we achieved an area under the ROC curve of 93.83% with an accuracy of 88.98%
病人角度:we achieved an area under the ROC curve of 97.45% with an accuracy of 93.45%
3.总结
实验取得较好的结果,可能对未来电子诊断工具的产生有一定的帮助
二、正文探讨
1.数据来源
Heidelberg Spectralis imaging database 关于2006到2016的OCT图像,扫描方式:Each macular scan was obtained using a 61-line raster macula scan, and every image of each macular OCT was extracted,并同时参考该图像的电子病历,包括诊断信息,确诊日期等信息。
2.数据的分布情况
3.图像特性
the decision was made a priori to select the central 11 images from each macular OCT set, and each image was then
treated independently, labeled as either normal or AMD
图像大小压缩为192x124
20%的健康者和20%的患病者图片作为validation,其余都用于训练。并确保验证集和训练集不存在交叉的情况。划分完成后,随机打乱数据。
4.深度学习模型
-
模型修改自VGG16模型
-
权重使用Xavier algorithm进行初始化
-
batchsize为100张图片
-
learningrate为0.001
-
使用随机梯度下降作为优化
-
每次迭代都记录损失,500次迭代进行一次验证集的验证
-
loss降低与验证精度降低时,模型停止
-
occlusion test: 由20x20的方框遍历整个图片,遮挡遍历位置,一旦遮挡后图像的“概率”(此处不解)变低,则说明是深度学习所感兴趣的地方
-
5.result
经过8000轮迭代后停止训练,训练后评价一幅图像的时间为4.97ms -
图片的关注区域
-
6.关于实验的讨论
- 模型还具有一定的局限性,可能被CNVM的病理图像所干扰,未来可加入其它不同类型的图像以增强对AMD判断的敏感性