【医学+深度论文：F07】2017 Automated Glaucoma Diagnosis using Deep Learning Approach

07

2017 Automated Glaucoma Diagnosis using Deep Learning Approach

Method ： 分类
Dataset ： RIM-ONE 455（255 normal ， 200 glaucomatous ）
Architecture : CNN + SVM
Results ：accuracy（88.2%）, specificity （90.8%）,sensitivity （85%）

Methods

与传统的手工制作视盘特征的方法不同，该方法由CNN自动从原始图像中提取特征，并将其输入SVM分类器进行分类。

Related work

• 通过提取特征，然后将其输入主成分分析(PCA)降维算法和支持向量机(SVM)模型

• 基于纹理和高阶谱特征的随机森林分类器诊断青光眼

• 小波特征中采用特征选择技术，利用序列最小优化(SMO)分类器对图像中的青光眼进行检测

• 基于Gabor特征的支持向量机

Architecture

卷积神经网络CNN自动提取视盘(OD)区域与视杯区域的特征，不需要人工干预。

• Pre-processing
  resized to 227×227 pixels
  without any enhancement or further pre-processing step
  划分 training 0.7