12
2017 IJACSA (International Journal of Advanced Computer Science and Applications)
Glaucoma-Deep: Detection of Glaucoma Eye Disease on Retinal Fundus Images using Deep Learning
Method ： 分类
Dataset ： 1200（600N，600G）包括公开数据集+私有数据集
Architecture : Glaucoma-Deep（CNN，DBM，softmax）
Results ：Sensitivity 84.5% , Specificity 98.01% , Accuracy 99% , Precision 84%
Methods
Dataset
Pipeline
- automatic detection of Region-of-interest (ROI)
以RGB图像的形式获取彩色眼底图像，并从绿色平面自动提取高强度感兴趣区域(ROI)图像。
ROI区域包含OD和CUP区域。
每幅图像，得到半径为150的300×300像素的ROI
- extraction of deep features
通过卷积神经网络(CNN)深度学习模型提取的不变特征(IFs)
- optimization of features
监督深度信念网络DBN（ supervised deep-belief network ）深度学习算法进行优化
- classification phases
softmax linear classifier
Results
Results ：Sensitivity 84.5% , Specificity 98.01% , Accuracy 99% , Precision 84%
Discussion
-
本文说自己优势在于 采用先进的机器深度学习算法，无需对OD和CUP区域进行自动或手动分割，基于眼底图像即可识别青光眼。
其他方法着重于分割和测量OD和CUP比值。然而，在实际应用中，OD区域和CUP区域的分割具有挑战性并且考虑的因素不够全面。 -
本文说自己性能
在基于深度学习的青光眼眼病分类性能中最好 -
但是我觉得 技术方面创新性没有那么大，并且方法一般。。