多核多示例学习的糖尿病视网膜病变诊断

• 作者: 万超 任福龙 曹鹏 杨金柱 赵大哲
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 糖尿病视网膜病变 微动脉瘤 眼底图像 计算机辅助诊断 多示例学习
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 医学图像处理
• 页码范围: 552-563
• 页数: 12页
• 分类号: TP301.6
• 字数: 8594字
• 语种: 中文
• DOI: 10.11834/jig.170470

摘要

目的 在传统糖尿病视网膜病变(糖网)诊断系统中,微动脉瘤和出血斑病灶检测的精确性决定了最终诊断性能.目前的检测诊断方法为了保证高敏感性而产生了大量假阳性样本,由于数据集没有标注病灶区域导致无法有效地建立监督性分类模型以去除假阳性.为了解决监督性学习在糖网诊断中的问题,提出一种基于多核多示例学习的糖网病变诊断方法.方法 首先,检测疑似的微动脉瘤和出血斑病灶区域,并将其视为多示例学习模型中的示例,而将整幅图像视为示例包,从而将糖网诊断转化为多示例学习问题;其次,提取病灶区域的特征对示例进行描述,并通过极限学习机(ELM)分类算法过滤不相关示例以提升后续多示例学习的分类性能;最后,构建多核图的多示例学习模型对健康图像和糖网病变图像进行分类,以实现糖网病变的诊断.结果 通过对国际公共数据集MESSIDOR进行糖网病变诊断评估实验,获得的准确率为90.1％,敏感性为92.4％,特异性为91.4％,ROC(receiver operating characteristic)曲线下面积为0.932,相比其他算法具有较大性能优势.结论 基于多核多示例学习方法在无需提供病灶标注的情况下,能够高效自动地对糖网病变进行诊断,从而既能避免医学图像中标注病灶的费时费力,又可以免除分类算法中假阳性去除的问题,获得较好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵大哲	东北大学计算机科学与工程学院	69	736	13.0	23.0
3	万超	中国医科大学附属第一医院眼科	28	107	6.0	7.0
4	曹鹏	东北大学计算机科学与工程学院	14	64	4.0	7.0
6	杨金柱	东北大学计算机科学与工程学院	27	193	9.0	12.0
8	任福龙	东北大学计算机科学与工程学院	2	8	2.0	2.0