07
2017 Automated Glaucoma Diagnosis using Deep Learning Approach
Method ： 分类
Dataset ： RIM-ONE 455（255 normal ， 200 glaucomatous ）
Architecture : CNN + SVM
Results ：accuracy（88.2%）, specificity （90.8%）,sensitivity （85%）
Methods
与传统的手工制作视盘特征的方法不同，该方法由CNN自动从原始图像中提取特征，并将其输入SVM分类器进行分类。
Related work
-
通过提取特征，然后将其输入主成分分析(PCA)降维算法和支持向量机(SVM)模型
-
基于纹理和高阶谱特征的随机森林分类器诊断青光眼
-
小波特征中采用特征选择技术，利用序列最小优化(SMO)分类器对图像中的青光眼进行检测
-
基于Gabor特征的支持向量机
Architecture
卷积神经网络CNN自动提取视盘(OD)区域与视杯区域的特征，不需要人工干预。
-
Pre-processing
resized to 227×227 pixels
without any enhancement or further pre-processing step
划分 training 0.7 test 0.3 -
Feature Extraction using CNN
use a pre-trained CNN model Alexnet(23 layer)
去掉全连接层来提取特征
- Train SVM using CNN Features and Predication
从CNN提取的特征输入SVM 训练
将数据 分成 两类
Results
Evaluation
accuracy（88.2%）, specificity （90.8%）,sensitivity （85%）
Discussion
- 没有应用任何数据增强或子采样的情况下实现所提出的系统
- 不需要分割光盘
- 所有表示感兴趣区域的特征都是由CNN从数据本身自动提取的，不需要手工提取特征
- 迁移学习有用
- 使用更有效的数据扩充和数据抽样方法来获得在准确性、敏感性、特异性和其他指标方面测量到的更高性能
- 数据集 太小 455