基于深度学习的青光眼检测
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
患者的视杯视盘和视野
选题背景
视神经中的视杯凹陷可以作为青光眼的一重要标志:当眼压升高后，视盘中的大 视杯凹陷出现，这是青光眼中最熟知的标志1969年，Armaly提出了用杯盘比来定 量描述青光眼。
研究意义与课题难点
对眼疾病诊断与防治 意义重大
精准诊断 及早发现 及早预防
1
研究
2
意义
国内外相关研究少
深度学习虽然引起热 潮，但应用在医学领 域较少，眼底图研究 更是乏善可陈
课题
1
难点
2
后续研究的基础 视盘分割
疾病自动诊断
数据集来源少 相关研究少，带有标 签的数据集更少
深度学习综述wenku.baidu.com
处理小型图像如手 写体数字效果惊人
卷积神经 网络
深度学习
感知机
1957年由Rosenblatt提出， 良好的二分类线性模型
机器学习的学习模式
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
单层神经网络
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
多层卷积神经网络（Alexnet）
深度学习理论基础
机器学习
深度学习是机器学习中目前最重要的分支。
机器学习是一种通过让计算机利用已有数据，训练出模型，然后
使用模型来预测未知的一种算法，与人类的“归纳”和“推测”
的过程类似。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知
器就是一种深度学习结构
人工智能、机器学习、深度 学习三者关系
Cup
0.395 0.264 0.313 -----0.287 0.255
青光眼诊断
Method R-Bend Superpixel ASM QDSVM U-Net Our
Accuracy(%) 83.3 88.3 85.6 87.5 86.3 90.2
青光眼诊断流程
根据分割的视盘与视杯，本文即可分割视盘与视杯，计算 杯盘比（CDR），上述待检测图像CDR计算为0.64，即判断 没有青光眼，与医生诊断结果一致。
准确率
用相同的数据做验证，250张图中判定错误的有9张，准确率达到96.4%。
Loss收敛
泛化能力
选取了Messidor数据集中的200张图片，其中判 断错误的图片为9张，验证结果准确率为95.5%。
4
PART FOUR
总结与展望
工作总结/未来方向和展望
工作总结
扩充了训练和 测试所需的数 据集
设计并优化网络 结构并做了横向
本文使用的网络结构
1. 优化网络结构，减少训练参数 2. 采用深度监督， 在网络结构中间输出预测结果，增加模型的可训练度
模型训练过程
视杯视盘分割结果
Method
R-Bend Superpixel ASM QDSVM U-Net Our
Disc
0.129 0.102 0.148 0.110 0.115 0.094
机器学习
2006年Hinton等人提出， 2012年Alexnet模型引发热潮
SVM、Boosting等方法。 先手工提取特征再做分类
语音识别：隐马尔可夫模型， 人脸识别：LBP特征， 物体识别：SIFT特征， 行人检测：HOG特征
2
PART TWO
深度学习简介
什么是深度学习/为什么用深度学习/深度学习框架
算法流程
1
Tensorflow环境配置
6
结果分析并优化
2
数据准备
5
训练网络并微调
3
数据预处理
4
设计网络结构
3
PART THTEE
算法流程及成果演示
图像分割/青光眼诊断/成果演示
关键技术-图像分割基础结构
U-Net能够端到端的学习、输出分割结果。网络结构如上图 所示, 主要包含两部分，编码（encoder）和解码（decoder） 部分，中间采用跳跃连接（skip-connection）。
创新点
优势分析
虽然训练模型耗费一定时 间，但测试时平均每张图 片所用时间短
S
W
创新 点
机会分析
纽约城市大学 李伟老师
O
G
对网络后几层适当处理， 可达到意想不到的良好效果。
改进的Alexnet模型
劣势分析
直观上看，模型训练所需 要的时间比较长
目标分析
力求准确率提升，收敛速 度加快
改进的Alexnet模型
1
PART ONE
绪论
选题背景 /研究意义与课题难点/ 国内外相关研究/深度学习综述
选题背景 青光眼已经成为全球致盲的第二大杀手，中国青光眼患者2200万， 仅中国将产生1000万的视障患者。 80%的视障可以被防止或治愈， 因此眼科疾病的筛查和诊断是防盲的关键。
A正常人的视杯视盘和视野;B轻度青光眼患者的视杯视盘 和视野;C中度青光眼患者的视杯视盘和视野;D重度青光眼
比较
将分割好的 图像做椭圆
拟合
用ORIGA数 据集验证模 型的泛化能
力。
未来方向和展望
优化
进一步完善不同 网络的优化工作
GPU并行
新激活函数
框架
尝试其他框架 如Facebook的 PYTorch
尝试采用用新的激 活函数如pRelu
尝试多块 GPU并行加速
选题背景
视神经中的视杯凹陷可以作为青光眼的一重要标志:当眼压升高后，视盘中的大 视杯凹陷出现，这是青光眼中最熟知的标志1969年，Armaly提出了用杯盘比来定 量描述青光眼。
研究意义与课题难点
对眼疾病诊断与防治 意义重大
精准诊断 及早发现 及早预防
1
研究
2
意义
国内外相关研究少
深度学习虽然引起热 潮，但应用在医学领 域较少，眼底图研究 更是乏善可陈
课题
1
难点
2
后续研究的基础 视盘分割
疾病自动诊断
数据集来源少 相关研究少，带有标 签的数据集更少
深度学习综述wenku.baidu.com
处理小型图像如手 写体数字效果惊人
卷积神经 网络
深度学习
感知机
1957年由Rosenblatt提出， 良好的二分类线性模型
机器学习的学习模式
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
单层神经网络
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
理论基础
卷积神经网络（CNN）
本课题将采用深度卷积神经网络的机器学习算法，即深度学习。
多层卷积神经网络（Alexnet）
深度学习理论基础
机器学习
深度学习是机器学习中目前最重要的分支。
机器学习是一种通过让计算机利用已有数据，训练出模型，然后
使用模型来预测未知的一种算法，与人类的“归纳”和“推测”
的过程类似。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知
器就是一种深度学习结构
人工智能、机器学习、深度 学习三者关系
Cup
0.395 0.264 0.313 -----0.287 0.255
青光眼诊断
Method R-Bend Superpixel ASM QDSVM U-Net Our
Accuracy(%) 83.3 88.3 85.6 87.5 86.3 90.2
青光眼诊断流程
根据分割的视盘与视杯，本文即可分割视盘与视杯，计算 杯盘比（CDR），上述待检测图像CDR计算为0.64，即判断 没有青光眼，与医生诊断结果一致。
准确率
用相同的数据做验证，250张图中判定错误的有9张，准确率达到96.4%。
Loss收敛
泛化能力
选取了Messidor数据集中的200张图片，其中判 断错误的图片为9张，验证结果准确率为95.5%。
4
PART FOUR
总结与展望
工作总结/未来方向和展望
工作总结
扩充了训练和 测试所需的数 据集
设计并优化网络 结构并做了横向
本文使用的网络结构
1. 优化网络结构，减少训练参数 2. 采用深度监督， 在网络结构中间输出预测结果，增加模型的可训练度
模型训练过程
视杯视盘分割结果
Method
R-Bend Superpixel ASM QDSVM U-Net Our
Disc
0.129 0.102 0.148 0.110 0.115 0.094
机器学习
2006年Hinton等人提出， 2012年Alexnet模型引发热潮
SVM、Boosting等方法。 先手工提取特征再做分类
语音识别：隐马尔可夫模型， 人脸识别：LBP特征， 物体识别：SIFT特征， 行人检测：HOG特征
2
PART TWO
深度学习简介
什么是深度学习/为什么用深度学习/深度学习框架
算法流程
1
Tensorflow环境配置
6
结果分析并优化
2
数据准备
5
训练网络并微调
3
数据预处理
4
设计网络结构
3
PART THTEE
算法流程及成果演示
图像分割/青光眼诊断/成果演示
关键技术-图像分割基础结构
U-Net能够端到端的学习、输出分割结果。网络结构如上图 所示, 主要包含两部分，编码（encoder）和解码（decoder） 部分，中间采用跳跃连接（skip-connection）。
创新点
优势分析
虽然训练模型耗费一定时 间，但测试时平均每张图 片所用时间短
S
W
创新 点
机会分析
纽约城市大学 李伟老师
O
G
对网络后几层适当处理， 可达到意想不到的良好效果。
改进的Alexnet模型
劣势分析
直观上看，模型训练所需 要的时间比较长
目标分析
力求准确率提升，收敛速 度加快
改进的Alexnet模型
1
PART ONE
绪论
选题背景 /研究意义与课题难点/ 国内外相关研究/深度学习综述
选题背景 青光眼已经成为全球致盲的第二大杀手，中国青光眼患者2200万， 仅中国将产生1000万的视障患者。 80%的视障可以被防止或治愈， 因此眼科疾病的筛查和诊断是防盲的关键。
A正常人的视杯视盘和视野;B轻度青光眼患者的视杯视盘 和视野;C中度青光眼患者的视杯视盘和视野;D重度青光眼
比较
将分割好的 图像做椭圆
拟合
用ORIGA数 据集验证模 型的泛化能
力。
未来方向和展望
优化
进一步完善不同 网络的优化工作
GPU并行
新激活函数
框架
尝试其他框架 如Facebook的 PYTorch
尝试采用用新的激 活函数如pRelu
尝试多块 GPU并行加速