ibb娱乐彩票
上海代寫論文網專業提供代寫畢業論文、代寫本科論文服務
您現在的位置:首頁 > 計算機論文 > 人工智能論文 >
基于人工智能的眼底圖像自主識別系統探析
發布時間:2019-12-12

  摘    要: 眼底在眼科醫學中是重要的研究對象,眼科醫生往往通過眼底圖像來診斷人眼疾病。為提高眼科醫生的眼疾診斷率,研究利用圖像處理和人工智能技術對眼底圖像進行智能識別的可行性。首先對眼底圖像數據運用OpenCV、MATLAB包含的多種圖像技術進行有效處理,然后利用TensorFlow建立不同結構不同參數的卷積神經網絡,對處理后的眼底圖像進行特征提取與訓練學習;通過改變層級和加入中心損失函數來提升識別率以優化網絡,將眼底圖像輸入網絡即可實現眼底疾病的快速分類同時顯示相應的識別概率。本文選取包括糖尿病、青光眼等八類500張250×166像素眼底圖片進行分類訓練及測試實驗。結果表明,網絡模型在迭代次數為20000次時,識別率達到44.81%。該方法實現了對眼底圖像的識別,可幫助眼科醫生輔助判斷眼疾。

  關鍵詞: 人工智能; 圖像處理; 卷積神經網絡; 圖像識別;

  Abstract: In order to improve the Ophthalmologist diagnosis rate, the study aims to explore the feasibility of using image processing and artificial intelligence technology to recognize eye fundus images. First, the fundus image data are processed effectively using various image technologies included in OpenCV and MATLAB. Then TensorFlow is used to construct convolutional neural networks with different structures and parameters to extract features and train the processed fundus images. The recognition rate is improved by changing the hierarchy and adding the central loss function to optimize the network. By inputting the fundus image into the network, the image classification can be realized rapidly and the corresponding recognition probability can be displayed at the same time. 500 250×166 pixel fundus images including diabetes mellitus and glaucoma are selected for classification training and testing. The results show that the neural network recognition rate reaches 44.81% when the iterations number is 20,000. This method realizes the fundus image recognition, and it can help ophthalmologists to assist in judging eye diseases.

  Keyword: artificial intelligence; image processing; convolutional neural networks; image recognition;

  1、 引言

  在眼睛疾病檢查中,眼底篩查是一種常見的經濟有效的方法。對于不同的眼病,眼底圖像所展示的形態和特征也各不相同,并且會隨著患者身處的環境及條件的不同產生相應的變化,同時在不同的人群、不同的年齡群體中均會存在差異,因此眼科醫生常通過對眼底圖像的觀察及自身經驗判斷眼科疾病[1]。

  數字圖像處理技術的飛速發展在醫療影像領域產生了積極的作用,現代的眼科醫生已經拋去了過去傳統的人眼觀察模式轉而利用當代的計算機技術進行更好的判斷。但是隨著眼疾患者的日益增多,眼科醫生的壓力也與日俱增,長時間依賴圖像處理技術也難免造成身心勞累,并且早期發現眼部疾病存在較大困難,因為在眼部疾病的早期階段,眼科醫生通常很少能見到相應癥狀[2]。
 

基于人工智能的眼底圖像自主識別系統探析
 

  人工智能的興起幾乎滲透到各個領域,在醫學中也是如此,AI醫療目前已經成為人工智能領域最熱門的領域之一[3]。國外已經有很多將人工智能技術應用于醫學領域的先例[4,5],而有著非常廣泛應用領域的圖像識別技術作為人工智能一個重要分支在醫學圖像領域一直發揮了重要作用,在國內[6]和國外已經被實際運用[7]。

  所以,在數字圖像處理技術和大數據技術的基礎上,結合人工智能技術,醫生可以利用AI 建立起的模型更進一步提升疾病類型的診斷精度,從而大幅度提高診斷效率,降低診斷壓力[8]。

  查閱資料發現,在眼科領域,將眼底圖像作為識別對象的先例目前較少。海軍軍醫大學團隊采用基于超過18萬張來自EyePACS 的眼底彩照構建了輔助診斷糖尿病視網膜病變的人工智能深度學習算法模型。在實驗室條件下,該模型靈敏度和特異度分別為 95.3% 和 79.5%[9];最近,南通大學醫學院團隊開發出遠程智慧眼底篩查云平臺項目,利用人工智能查找眼底視網膜血管的微小變化,為病程研究評判及治療提供參考[10]。

  而在實際的眼科疾病中,除了因糖尿病造成的眼疾以外,也會存在因青光眼、白內障、年齡相關性黃斑變性和許多其他原因引起的失明,同時由于可能存在部分圖像源模糊不清 的狀況,也需要預先進行大量的圖像預處理。

  綜上所述,本文在對在眼底圖像處理的基礎上,提出了適應人工智能框架的眼底圖像自主識別系統,可以在一定程度上同時識別包含糖尿病、青光眼,白內障,高血壓等其它原因引起的眼疾,并給出相應概率。

  2、 圖像處理

  在實際判斷中,部分圖像源可能存在圖像迷糊不清的狀況,同時也為了讓計算機更好的識別,因此本文提出的眼底圖像識別方法分為兩步,第一步為圖像處理[11],第二步為圖像識別[12]。

  針對眼底圖像,本文圖像處理算法的語言以Python和MATLAB為主,同時結合圖像開源庫OpenCV。執行過程為首先從第三方獲取圖像源,然后經過系統的預處理、圖像分割等一系列圖像處理流程以后,最終再用于圖像識別。處理流程如圖1所示,下面對每一步驟做簡要說明:

  圖 1 眼底圖像處理流程
圖 1 眼底圖像處理流程

  1)圖像獲取:從第三方的數據庫獲得臨床醫學儀器輸出的標準眼底圖像源,如圖 2(a) 所示。

  2)圖像增強:由于獲取的圖片源可能存在質量參差不齊,或多或少存在模糊等情況, 需要對圖片源預處理消除噪聲。增強通過CLAHE 算法[13],如圖 2(b) 所示。

  3)圖像去噪:在對源圖像增強以后,伴隨著圖像獲取及預處理過程中可能存在的誤差,需要去除噪聲,本文通過高斯平滑[14]來實現,效果圖 2(c)所示。

  4)圖像分割:對預處理的細胞圖像進行分割,圖像分割是很重要的一環,合理的分割是后續處理的重要保證[15],如圖 2(d) 所示。

  5)形態學處理:對分割后的細胞進行腐蝕膨脹[16],腐蝕膨脹如圖 2(e)所示。

  6)取反:將黑白對換,更為直觀地突出細胞形態和邊緣,取反后效果如圖2(f)所示。

  圖2 眼底圖像處理
圖2 眼底圖像處理

  其中,眼底圖像處理和圖像識別數據集來自北京大學“智慧之眼”國際眼底圖像智能識別競賽(odir2019), 官方提供了 5000 組包含患者的性別、年齡、雙眼彩色眼底照片和醫生的診斷關鍵詞等的結構化脫敏后眼科的數據集。數據集被分為8 個標簽,包括正常(N)、糖尿病(D)、青光眼(G)、白內障(C)、AMD(A)、高血壓(H)、近視(M)和其他疾病/異常(O)。因為機能的限制,本文選取了包含 8 個標簽在內共 500 個圖像數據作為原始數據。

  3、 深度模型的搭建

  3.1、 學習方式及神經網絡選擇

  在機器學習中,除監督學習和非監督學習兩種常見的形式外,還有半監督式學習[17],即數據集中,很少一部分有對應的匹配標簽,另外絕大多數數據是未知標簽,因此隱藏在半監督學習下的基本規律需要通過已知數據的對應標簽進行挖掘,挖掘的過程可以看作機器學習的過程。

  因為官方數據集已經提供了大量的相應標簽,將所需的數據集進行分類以后就可先訓練,因此本文采用半監督學習。

  卷積神經網絡簡稱CNN,經常用于圖像的分類[18],卷積神經網絡主要通過自行設定的卷積核從圖像中提取特征值,然后根據特征值進行分類,本文神經網絡的建立及識別過程如圖 3 所示:

  圖 3 網絡訓練流程
圖 3 網絡訓練流程

  首先選取450張250×166像素的眼底源圖像和對應標簽作為訓練集進行訓練,第一次遍歷圖像集,第二次遍歷圖像集的標簽。然后開始建立卷積神經網絡,本文設計的卷積層有兩層,神經元為1024個,優化算法采用梯度下降算法[19],CNN搭建完成后開始訓練。訓練結束后得到完整模型,最后將未知標簽的眼底圖像源載入模型進行識別,圖像識別是配合SOFTMAX分類器[20]搭建而成。

  3.2、 模型測試

  然而經過實際測試發現,數據集中的眼底圖像是2400×2400,因此若要使神經網絡模型正常的訓練,需要修改網絡結構,否則過大的容量會導致顯存不夠用導致訓練失敗。

  改善的方法有兩種,第一種可以通過縮 小圖片尺寸來實現,第二種通過降低輸入模 型的數據量來實現。而一張復雜的圖像集所 包含的特征量需要通過足夠的像素點支撐, 若是為了滿足模型運轉而大幅度較少圖像 像素,反而失去了分類的本質。

  但是同時也要保證一定的訓練數量,因此多次嘗試以后,最終設定圖像輸入為 250×166像素。

  本文采用32個7×7的卷積核,即抽取7×7 像素子區域,把輸入的圖像源作為4d的向量,采用灰度圖作為輸入形式,并且設為函數自動計算一維大小,圖像源的寬為250、高為166。

  此外,在搭建模型的過程中,還需特別關注神經網絡的全連接層的參數,全連接層是根據經過卷積層和池化層的特征進行分類,可以選用 SOFTMAX 模型,最終進行輸出。在本文中的全連接層因為輸入的圖像的尺寸,設定為63×24×64,共1024個神經元。全連接層模擬圖如圖4 所示。

  圖 4 全連接層
圖 4 全連接層

  4 、實驗結果

  4.1、實驗條件

  本文所采用是單獨 GPU 為 GTX1080, CPU 為 I78700K,內存為 12 G 的工作站。抽取500張250×166包含8種標簽的數據集用作訓練集,將額外的50張數據源作為測試集,測試集用于評估模型的性能。考慮時間成本的原因,經500次迭代訓練模型得到收斂。

  4.2 、實驗結果

  在第三方數據庫的幫助下,項目抽取了550 幅眼底圖像,并對其加以指導分類,分為 8 組,分別為正常(N)、糖尿病(D)、青光眼(G)、白內障(C)、AMD(A)、高血壓(H)、近視(M)和其他疾病/異常(O)。

  訓練樣本為 500 例,其余 50 例作為測試樣本,8 個類別作為輸出節點,對訓練樣本進行網絡訓練。考慮時間的成本,在進行500 次迭代以后,識別率達到了近 45%。

  完成分類器的訓練后,用它對50例測試樣本進行預測分類,檢測其分類精度,結果如表 1所示。

  從測評結果發現,由近視眼和白內障引起的眼部疾病具有顯著的圖像特征,差異明顯,因此較好分辨,取得了較好的識別效果。但是像 AMD、糖尿病視網膜病變、青光眼及高血壓幾種癥狀并沒有起到很好地識別效果,存在著很明顯的分類干擾。

  誤差在于算法并不能很好地提取每個病癥的特征點,即使是經過前期的圖像處理之后,依舊難以分辨。因此,需要尋找新的特征參量尋找它們顯著的特征,比如說在眼底某個特定區域內的形狀。另外,本文的圖像處理是統一將數據集進行了二值化之后才導入到了訓練模型,而色彩其實也可作為一分類特征,所以后續將在這些方面逐步改進。

  5、 結論

  眼底圖像識別的方法結合了圖像處理和人工智能的技術,對眼底圖像先進行了處理分析及特征描述,然后將之輸入到卷積神經網絡模型里面進行識別并歸類。試驗的語言以Python為主,圖像處理和圖像識別分別以OpenCV和TensorFlow 為輔。

  試驗結果表明結合梯度下降算法和卷積神經網絡,系統可以有效地建立學習模型并給出分類的概率,對眼底圖像可以一定程度上進行識別,但是考慮到機能和時間成本的限制,還有很大的改進空間。

  表1 實驗結果
表1 實驗結果

  下一步的是繼續完善和改進識別率,搭建更好的硬件平臺同時更好的改進圖像處理算法, 同時也將神經網絡模型更加深化,最終結合嵌入式和智能物聯網技術將對眼底的研究成果轉入實際應用。

  參考文獻

  [1]王平,陶利娟,楊慧玲,王曦瑯,熊師,肖志剛,郭艷,楊俊芳,唐曉容,漆爭燕.新生兒眼底變化規律及疾病篩查分析[J].國際眼科雜志,2007(5):1343-1344.
  [2]郭寬.數字圖像處理技術在醫學領域的應用[J].科技與創新,2016(13):106.
  [3]朱艷春.在醫療影像 AI 中的探索與實踐 [J].軟件和集成電路,2019(7):44-45.
  [4] Balasooriya, U., Perera, M.U.S. Intelligent brain hemorrhage diagnosis using artificial neural networks[P]. Business Engineering and Industrial Applications Colloquium (BEIAC), 2012 IEEE,2012.
  [5] Dehariya, A., Chaudhary, V.K., Khan, I., Karsoliya, S.. An effective approach for medical diagnosis preceded by artificial neural network ensemble[P]. Electronics Computer Technology (ICECT), 2011 3rd International Conference on,2011.
  [6] 薛迪秀. 基于卷積神經網絡的醫學圖像癌變識別研究[D].中國科學技術大學,2017.
  [7] Blahuta, Jiri, Soukup, Tomas, Cermak, Petr, Rozsypal, Jiri, Vecerek, Michal. Ultrasound medical image recognition with artificial intelligence for Parkinson's disease classification[P]. MIPRO, 2012 Proceedings of the 35thInternational Convention,2012.
  [8]朱振一,王巍.人工智能在醫療領域的發 展現狀及前景分析[J].世界最新醫學信息文摘,2019,19(50):77-78.
  [9]黃瀟,谷碩,馬曉曄,梁文君,張韻,高連娣,魏銳利.人工智能糖網眼底圖像識別在真實世界的應用[J].情報工程,2018,4(1):24-30.
  [10] 季天宇. 眼底病變須重視,它是疾病“信號源” [N]. 科技日報,2019-07-11(007).眼底人工智能
  [11] 王帥.嵌入式角膜內皮細胞圖像分析系統的研究[D].重慶理工大學,2015.
  [12] Horani, M.E.D., Sukker, F., Horo, A.H. Design and implementation of artificial intelligence system for 2-dimensional image recognition[P]. Information and Communication Technologies: From Theory to Applications, 2004. Proceedings. 2004 International Conference on,2004.
  [13]孫冬梅,陸劍鋒,張善卿.一種改進 CLAHE 算法在醫學試紙條圖像增強中的應用[J].中國生物醫學工程學報,2016,35(4):502-506.
  [14] 肖孟強. 混合噪聲圖像濾波算法在醫學圖像中的應用研究[D].蘭州交通大學,2012.
  [15]范群貞,吳浩,林真.醫學圖像基于閾值的分割技術[J].福建電腦,2019,35(4):32-35.
  [16]安靜,張貴倉,劉燕妮.數學形態學在醫學眼睛圖像處理中的應用研究[J].機械工程與自動化,2016(1):15-17.
  [17]屠恩美,楊杰.半監督學習理論及其研究進展概述[J].上海交通大學學報,2018,52(10):1280-1291.
  [18] 高強.基于深度卷積網絡學習算法及其應用研究[D].北京化工大學,2015.
  [19] Chia-Feng Juang,Guo-Cyuan Chen. A high-order fuzzy classifier learned through clustering and gradient descent algorithm for classification problems[P]. Industrial Electronics and Applications (ICIEA), 2014 IEEE 9th Conference on,2014.
  [20] 孫新勝.基于多層卷積神經網絡的研究與應用[D].杭州電子科技大學,2018.

對應分類:
版權所有:上海論文網專業權威的論文代寫、論文發表的網站,秉承信譽至上、用戶為首的服務理念,服務好每一位客戶
本站部分論文收集于網絡,如有不慎侵犯您的權益,請您及時致電或寫信告知,我們將第一時間處理,郵箱:shlunwen@163.com
ibb娱乐彩票
<meter id="7xttx"></meter>
  1. <code id="7xttx"><delect id="7xttx"><p id="7xttx"></p></delect></code>
  2. <acronym id="7xttx"></acronym>

    <address id="7xttx"></address>
    烟台市| 昔阳县| 曲沃县| 出国| 章丘市| 桐庐县| 曲阳县| 积石山| 珲春市| 申扎县| 锦州市| 丘北县| 锡林郭勒盟| 特克斯县| 新津县| 凤凰县| 霍城县| SHOW|