多特征融合结合机器学习算法快速筛查葡萄膜炎
摘要:为了利用机器学习算法快速筛查出葡萄膜炎,本文分别选取了健康人和葡萄膜炎患
者的眼底 OCT(Optical Coherence Tomography, OCT)图像,提取图像的形态特征、灰度差
分统计特征、灰度梯度共生矩阵和小波变换等多种特征,将特征串行融合;随后用 Lasso
算法特征提取,用多种机器学习算法进行分类研究.结果显示:基于 Medium Gaussian 核
函数的支持向量机(Support Vector Machine, SVM)获得了 90.3%的分类准确率,其受试者
工作特性曲线(Receiver Operating Characteristic curve, ROC)下的面积(Area Under
Curve, AUC)为 0.97,为研究中的最高准确率.本文首次将机器学习分类算法应用于葡萄膜
炎患者眼底 OCT 图像的分类中,是对葡萄膜炎诊断的探索性研究,对葡萄膜炎的辅助诊断具
有重要意义.
0 引言
葡萄膜炎是一种很典型的眼科疾病,是睫状体、脉络膜组织以及虹膜炎症的总称
Fang Leyuan 等人提出了一种基于 LACNN 的视网膜 OCT 图像分类方法,利用 LDN 检测到黄
斑病变,引导分类网络聚焦于与局部 OCT 相关区域更具鉴别性的信息
本文分别对正常眼底 OCT 图像样本和葡萄膜炎眼底 OCT 图像样本选取了形态、灰度差分统
计、灰度梯度共生矩阵、小波变换等 4 种 187 维特征,将其进行串行融合,再通过
Lasso(Least absolute shrinkage and selection operator)方法进行特征选择
机器学习算法广泛应用于医疗领域,既减少了医疗工作者的负荷,也保障了患者治疗过程
的高效和安全.许多机器学习或深度学习方法被广泛用于基于图像进行的疾病分类
1 相关工作
采用形态、灰度差分统计、灰度梯度共生矩阵、小波变换 4 种特征提取方式.其中,形态
特征是对图片提取的,将特征进行串行融合,然后利用 Lasso 算法进行特征选择,Lasso
学习后生成的稀疏解用于选择有效特征、消除冗余信息,将选择后的特征串行融合;最后,
进行学习器的训练和测试,研究的主要实验流程如图 1 所示.
1.1 图像数据的采集和处理
本文所使用的眼底 OCT 图像片样本均来自新疆维吾尔自治区人民医院,采集均符合医学标