Convolutional neural network transfer for automated glaucoma identification论文理解

本文开源的MATLAB的代码

       目前用于眼底图像的自动青光眼检测的大多数系统依赖于基于分割的特征，很明显，它们受到底层分割方法的影响。在本文中，我们提出在非医疗数据上预训练CNN来实现青光眼自动检测方案的可行性。本文提出两种不同的CNN（即OverFeat和VGG-S）应用于眼底图像以产生特征向量。文中加入了预处理技术，如血管修复，对比度限制自适应直方图均衡（CLAHE）和在ONH区域修建等，以评估该视野内特征区分力力的改进，同时在模型中组合进"l1"和"l2"正则逻辑回归项。实验时，在Drishti-GS1数据集上的结果表明，这种方法的可行性，同时说明了当数据量不足以微调网络时在迁移学习中明确提供图像预处理选择的重要性的证据。

1引言

       在本文中，我们分析了使用预训练的现成的CNN提取特征在有限眼底图像数据集上进行青光眼检测的可行性。将ONH区域不同程度的修剪组合进先进的预处理策略，如血管修复和对比度增强，将这些预处理的输出作为CNN的输入来探索是否预处理步骤能够更好地表征疾病图像的特征。这样就代替了手工设计特征的过程，我们建议仅使用简单的预处理方法进行迁移数据到已经训练有素的CNN模型。 'l1和'l2正则逻辑回归分类器被这些已提取的特征进行训练以判别每个图像中存在或不存在青光眼。

2方法

 迁移学习的两种策略：（1）只用新数据调整后面几层的权重

（2）所有网络的权重都参与训练

       在新数据集上使用预训网络的输出特征来训练分类器，如果新图像与原始图像显着不同，通常会产生比较差的效果。为了减少这个问题的影响，我们提出分析不同预处理策略。如果预处理策略增强了与青光眼的存在有关图像特征，预计这种方法可以有助于计算更好特征。 

2.1图像预处理

预处理包括：

  

（1）croping around the area of the ONH 

以ONH区域为中心进行四种不同尺度的缩放

（2）图像对比度增强

（3）移除血管

       对血管采用全连接的条件随机场进行分割，从红色通道图像中提取基于像素集的特征和线性检测器和B-COSFRE滤波器提取的二值特征以及Zana and Klein vessel作为成对特征进行组合作为分割的特征；

2.2 l1和l2正则logistics回归

3材料

3.1卷积神经网络

 VGG和OverFeat网络架构的网络设计，图像被送入网络前被缩放到231*231或者224*224固定尺寸。

3.2数据集

 Drishti-GSI由101张眼底图像组成，eyes dilated、以ONH为中心、at 30° FOV、尺寸为2896*1944、PNG格式。

 对于血管的修复，首先血管被一个模型分割，这个模型在DRIVE数据上训练，然后在DVRIVE测试集上标定。

     由于分割血管的模型在DRIVE数据集上训练，因此为了适应我们的数据集，此时Drishiti数据集缩小2.96倍。由于所有这些数据集都没有包括FOV掩模，我们阈值化方法自动地生成它们。