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
- 卷积神经网络提取出图片的全局特征信息
- 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
- workflow
- 特征提取卷积神经网络结构图
- 网络中每一层的详细信息
- 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
- 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