无所不能的 MATLAB

糖尿病性视网膜病变 (DR) 是导致失明的一大元凶，全世界有 9,300 万人受此疾病困扰。DR 是一种与糖尿病有关的眼部疾病。在早期对 DR 进行检测和分级有助于预防永久性视力丧失。在视网膜病变筛查过程中进行自动检测和分级，则有助于提供宝贵的第二诊疗意见。来自代顿大学研究院(UDRI))的 Barath Narayanan 博士将为我们介绍使用深度卷积神经网络 (CNN) 来实现一种简单的基于迁移学习的 DR 检测方法。

作者：Barath Narayanan，代顿大学研究院 (UDRI)。

合著者：Russell C. Hardie 博士，代顿大学 (UD)。

Barath Narayanan 博士毕业于代顿大学 (UD)，分别于 2013 年和 2017 年获得理学硕士学位和电气工程博士学位。他目前担任 UDRI 软件系统小组研究科学家，兼任代顿大学 (UD) 电子和计算机工程 (ECE) 系客座教授。他的研究方向包括深度学习、机器学习、计算机视觉和模式识别。

数据集

Kaggle 失明检测竞赛数据集(APTOS 2019 Datasetwww.kaggle.com/c/aptos2019-blindness-detection)包含单独的训练和测试用例。在这篇博文中，我们只利用训练数据集来研究和估计性能。这些影像采集于印度亚拉文眼科医院。训练数据集中包含 3,662 张影像，这些影像由临床专家标记为不同的类别(正常、轻度 DR、中度 DR、重度 DR 和增殖性 DR)。请注意，在这篇博文中，我们只关注 DR 的检测，如需分级架构的详细信息，请参见我们的论文。

按类别进行数据分组

我们从 Excel 工作表中提取标签，将这些影像分到"Yes"和"No"两个文件夹中，因为本文只关注 DR 的检测。用于划分数据类别的辅助函数代码位于本文结尾处。

加载数据库首先，使用

imageDatastore(www.mathworks.com/help/matlab/ref/matlab.io.datastore.imagedatastore.html) 加载数据库。该函数用于加载影像及其标签以执行分析，具有较高的计算效率。

算效率。

%Two-classDatapathtwo_class_datapath ='Train Dataset Two Classes';%ImageDatastoreimds=imageDatastore(two_class_datapath,...    'IncludeSubfolders',true,...    'LabelSource','foldernames');%Determine the split uptotal_split=countEachLabel(imds)

影像可视化

可视化影像，了解各个类之间的影像差异。这也有助于我们确定采用何种分类方法来区分两个类。根据影像，我们可以确定有助于完成分类的预处理方法。根据类内相似性及类间差异性，我们可以确定可用于研究的 CNN 架构类型。在这篇文章中，我们将使用 inception-v3 架构来实现迁移学习。您可以阅读我们的论文，了解各种预处理操作和其他现有架构的性能。

%Number of Imagesnum_images=length(imds.Labels);%Visualize random 20 imagesperm=randperm(num_images,20);figure;for idx=1:20        subplot(4,5,idx);    imshow(imread(imds.Files{perm(idx)}));    title(sprintf('%s',imds.Labels(perm(idx))))    end

训练、测试和验证

我们将数据集分为训练、验证和测试三个部分。首先，我们将数据集中的 80% 分为一组(训练和验证)，20% 分为另一组(测试)。确保各组中两类的数量均衡。

%Split the TrainingandTestingDatasettrain_percent=0.80;[imdsTrain,imdsTest]=splitEachLabel(imds,train_percent,'randomize'); %Split the TrainingandValidationvalid_percent=0.1;[imdsValid,imdsTrain]=splitEachLabel(imdsTrain,valid_percent,'randomize');

这样，我们就得到以下计数：

深度学习方法

我们采用迁移学习方法来对视网膜影像进行分类。在这篇文章中，我将利用 Inception-v3 进行分类。您可以利用这篇论文中提到的其他迁移学习方法，或者您认为可能适合此应用的其他架构。如需使用其他现有网络进行迁移学习，可以参考我的 MathWorks 博文：AlexNet、ResNet。

训练我们将验证容忍度设为 3，作为停止条件。训练最开始，我们将"MaxEpochs"设为 2，但可以根据训练进度进一步调整。理想情况下，我们希望在训练过程停止时达到较高的验证性能。我们根据硬件内存限制将小批量大小设为 32，您也可以选更大的值，但要确保相应更改其他参数。

%Converting images to 299 x 299 to suit the architectureaugimdsTrain = augmentedImageDatastore([299299],imdsTrain);augimdsValid = augmentedImageDatastore([299299],imdsValid);%Set the training optionsoptions = trainingOptions('adam','MaxEpochs',2,'MiniBatchSize',32,...'Plots','training-progress','Verbose',0,'ExecutionEnvironment','parallel',...'ValidationData',augimdsValid,'ValidationFrequency',50,'ValidationPatience',3);netTransfer = trainNetwork(augimdsTrain,incepnet,options);

测试和性能评估

%Reshape the test images match with the network augimdsTest = augmentedImageDatastore([299299],imdsTest);%PredictTestLabels[predicted_labels,posterior]= classify(netTransfer,augimdsTest);%ActualLabelsactual_labels = imdsTest.Labels;%ConfusionMatrixfigureplotconfusion(actual_labels,predicted_labels)title('Confusion Matrix: Inception v3');

% ROC Curvetest_labels=double(nominal(imdsTest.Labels));[fp_rate,tp_rate,T,AUC]= perfcurve(test_labels,posterior(:,2),2);figure;plot(fp_rate,tp_rate,'b-');hold on;grid on;xlabel('False Positive Rate');ylabel('Detection Rate');

类激活映射结果

使用以下代码，将不同 DR 病例经过这些网络处理后得到的类激活映射 (CAM) 结果可视化：www.mathworks.com/help/deeplearning/examples/investigate-network-predictions-using-class-activation-mapping.html。这有助于医生了解算法决策背后的依据。以下是不同病例的相应结果：

结论本文介绍了一种基于深度学习的简单分类方法，可用于视网膜影像 DR 的计算机辅助诊断 (CAD)。在没有任何预处理的情况下，使用 Inception-v3 的分类算法表现相对出色，总体准确度为 98.0%，AUC 为 0.9947(结果可能会因随机拆分而异)。在这篇论文中，我们研究了各种现有 CNN 架构在不同预处理条件下用于同一组训练和测试用例集时的性能。综合各种架构的结果，将有助于从 AUC 和总体准确度两方面提高性能。如果能就计算量(内存和时间)和性能两方面综合研究这些算法，将有助于相关专家有所侧重地选择算法。此外，我们还在这篇论文中提出了 DR 检测和分级的创新架构方法。

辅助函数代码

按 DR 类别(Yes 或No)进行数据分组的代码从网站下载 ZIP 文件并解压到名为 train_images 的文件夹中。确保下载的是包含临床专家提供的真值标签的 Excel 工作表 train.csv，将其转换为 .xlsx 以用于此代码。我们从 Excel 工作表中提取标签，将这些影像分到"Yes"和"No"两个文件夹中，因为本文只关注 DR 的检测。

% Training Data pathdatapath='train_images';% Two-class Data pathtwo_class_datapath='Train Dataset Two Classes';% Class Namesclass_names={'No','Yes'};mkdir(sprintf('%s%s',two_class_datapath,class_names{1}))mkdir(sprintf('%s%s',two_class_datapath,class_names{2}))% Read the Excel Sheet with Labels[num_data,text_data]=xlsread('train.xlsx');% Determine the Labelstrain_labels=num_data(:,1);% Merge all labels marked into Mild, Medium, Severe and Proliferative DR % into a single category 'Yes' train_labels(train_labels~=0)=2;% Rest of the dataset belongs to 'No' categorytrain_labels(train_labels==0)=1;% Filenamefilename=text_data(2:end,1);% Now, write these images 2-folders 'Yes' or 'No' for us to develop a deep% learning architecture utilizing Deep learning toolbox% Determine the Files put them in separate folderfor idx=1:length(filename)       % You could uncomment if you would like to see live progress    %  fprintf('Processing %d among %d files:%s ',idx,length(filename),filename{idx})[/%]        % Read the image    current_filename=strrep(filename{idx}, char(39), '');    img=imread(sprintf('%s%s.png',datapath,current_filename));        % Write the image in the respective folder    imwrite(img,sprintf('%s%s%s%s.png',two_class_datapath,class_names{train_labels(idx)},'',current_filename));        clear img;    end

#医疗##科技##科技快讯##科技曼曼谈##matlab#