09
2018 Deep Convolution Neural Network for Accurate Diagnosis of Glaucoma Using Digital Fundus Images
Method ： 分类
Dataset ： 1426 (589: normal and 837: glaucoma) Digital Fundus Images
Zeiss FF 450 Fundus camera
jpeg format
Architecture : 18 layer CNN
Results ：accuracy （98.13% ）, sensitivity（ 98% ）, specificity（98.30% ）, PPV（98.79%）
文章有一部分详细介绍了CNN中各种层，除了网络部分某些地方还好，感觉文章像一篇科普net的文。。
Methods
认为 健康眼的 CDR 是0.3
CAD related work
大多数算法是 two stage pipeline：
- 特征提取
小波变换 、Gabor变换、高阶谱(HOS)等是特征提取技术。 - 分类
采用人工神经网络(ANN) 、支持向量机(SVM) 、k近邻(KNN) 等方法对类进行预测。
本文算法
使用CNN one stage 特征提取+分类
Pipeline
-
dataset（589N，837G）
64 × 64 -
training 0.7 （412N ，586G）
-
testing 0.3
-
net
-
epoch 20
iteration 50 -
lr = 0.1,0.01,0.001,0.0001
分别做了四个实验对比，发现 0.001 最好
Results
lr = 0.001 最好
accuracy （98.13% ）, sensitivity（ 98% ）, specificity（98.30% ）, PPV（98.79%）
Discussion
优势
- 用CNN自动检测，将整个图像而不是部分和过滤后的输出汇集在一起，摒弃了传统的特征提取、降维和特征排序等步骤。
- CNN不需要预处理步骤，提高了性能
不足
- CNN需要大量数据
- 未来，我们将利用多列、多尺度卷积神经网络对所开发的CNN模型进行扩展，通过训练转换后的图像，而不是原始图像，利用庞大的数据库来检测青光眼的不同阶段。