论文部分内容阅读
白内障眼底图像作为一种医学图像,临床上医生往往会将其用于对白内障患者的病情的诊断。目前白内障的早期识别仍然需要依靠有经验的医生进行诊断,随着白内障患病人数的增加,这将会给医生群体带来极大的工作负担。因此开发一个白内障自动分类系统,使其能够对未知的白内障眼底图像加以判别就显得十分必要。传统的白内障分类器是基于有监督学习的方法来构建的,但是有监督模型对标记训练样本的数量要求比较高,而现实中标记样本的数量往往比较少。而半监督学习不仅能够利用有标记的样本,还能够利用无标记的样本,利用半监督模型构建半监督分类器可以解决现实中标记样本缺失的问题。本文的研究工作主要体现在以下几个方面:第一,在原始图像的基础上,对图像作了颜色空间变换,提取了信息丰富的G通道图像,并且将图像的尺寸大小进行了归一化操作。第二,应用卷积神经网络模型(CNN)对图像作了特征提取,基于CNN模型的特点,这种特征提取的方式属于隐式的特征提取,和传统的显性特征提取的方式不同,如小波特征提取和轮辐特征提取。本文对提取到的CNN特征进行了相应的分析,应用PCA理论对CNN特征进行降维,并且在二维空间进行了可视化。第三,在已有的三种特征的基础上,分别使用了支持向量机和随机森林两种模型去构建有监督分类模型,并且给出了各自的二分类和四分类的准确率。实验发现CNN特征下分类模型无论是在支持向量机模型还是随机森林模型下,其分类效果都会好于其他两组特征。第四,将标签传播算法和主动学习结合在一起,并且利用基于标签传播的主动学习算法和Co-forest两种半监督学习模型去构建半监督分类模型。通过对比三种不同特征在半监督模型分类模型下的效果,最终发现CNN特征下的半监督分类模型的二分类效果达到了 98.3%,此时使用的标记样本数量为150。第五,利用PyQt在python下建立了 GUI界面,将本文的一系列工作集成在GUI下面,实现对白内障眼底图像的识别。本文的研究工作旨在借助于半监督模型,利用更少的有标记样本去获得不错的分类效果,既解决了现实中标记样本缺失的问题,又能起到辅助诊疗的目的,方便医生和患者的生活。