文献阅读（34）——眼底照使用轻量级CNN用于糖网分级

眼底照使用轻量级CNN用于糖网分级

A lightweight CNN for Diabetic Retinopathy classification from fundus images

IF = 5.076/Q2

先验知识/知识拓展

• ReLU是一种非线性的激活函数
• J48是一种决策树算法，C4.5决策树。这种算法主要设计用于数据挖掘？

文章结构

• 摘要
• introduction
• 相关工作
• 材料和方法
• 结果和讨论
• 结论

文章结果

先使用CNN提取糖网的特征，之后使用分类器模型，对糖网进行分级，其中在二分类的模型上准确率达到99.89%，在多分类模型上准确率达到99.59%

方法

1. 卷积神经网络提取出图片的全局特征信息
2. 将特征信息作为机器学习模型的输入对糖网进行二分类和多分类
3. workflow
   
4. 特征提取卷积神经网络结构图
   
5. 网络中每一层的详细信息
   
6. 使用到的机器学习方法

• 支持向量机
• 随机森林
• 多层感知机
• J48分类器

7. 性能测评指标

• 使用K-折交叉验证
• 混淆矩阵
• acc
• F1-score
• 准确性precision
• 精确性specificity
• 召回率recall

总结

1. 文章优点

• 网络结构讲述的非常清晰，先呈现网络的完整结构图，之后给出网络中每一层的详细shape大小和参数个数
• 阐述了使用不同的block的作用，例如卷积层，pooling层，全连接层，ReLU层
• 文章非常充实，一共有28个表，4张图，除了网络结构，在性能方面比较方面，给出4种不同机器学习方法的二分类和多分类的混淆矩阵（以表格形式列出），之后将每种方法的最终性能，因为在不同数据集上进行训练和测试，还对别了不同数据集上的性能

2.文章不足

• 虽然详细陈述了网络结构和，但是在网络参数方面没有明确给出，只阐述了使用crossentropy作为loss，batch normalization使用了L1和L2（如果是我们的文章需要将这一部分，网络的参数调整都写的更加）

我们可以借鉴点和考虑吗？

• 写文章的时候要把受众人群看做“小白”，将文章写的易懂且详细。文章中使用的混淆矩阵可以绘图也可以做表。（考虑是否可以将其中一种放入主图，其他的放进补充材料）
• 网络结构和参数写的详细