Неделя 16 — Диагностика диабетической ретинопатии с использованием алгоритма классификации машинного обучения (Каран Бхатиа, Шикхар Арора, Рави Томар).

Это журнальная статья, опубликованная в 2016 году на Международной конференции по вычислительным технологиям следующего поколения, где эта команда представила свои работы, как следует из названия статьи.

Введение.

Диабетическая ретинопатия — это заболевание, при котором кровеносные сосуды в сетчатке начинают набухать и со временем прогрессируют, при каком-то уровне состояния сосуды, вероятно, взрываются, обнажая и заливая глаз кровью. По словам автора, заболевание также возникает, когда «высокий уровень глюкозы в крови повреждает мелкие сосуды, обеспечивающие сетчатку питательными веществами и кислородом». Раннее выявление этого заболевания очень важно для предотвращения необратимой слепоты. В этой статье обсуждается использование автоматизированной системы САПР путем извлечения особенностей алгоритмов обработки разностных изображений сетчатки глаза. Извлеченные признаки затем используются в ансамблевой системе машинного обучения алгоритмов разностного машинного обучения, таких как дерево решений, adaBoost, наивный байесовский алгоритм, случайный лес и машина опорных векторов.

Обзоры литературы.

В этой статье автор процитировал предыдущие работы Балинта Антала и Андраса Хайду (2014) о методах извлечения признаков и ансамблевого обучения. Извлечение признаков и изучение ансамбля — это методы, которые вновь применяются в этих работах.

Используемый набор данных взят из базы данных Messidor, которая находится в открытом доступе через их веб-сайт (этот источник также является одним из источников, которые я изучил до начала этого исследования, но изображений, которые я получил не так много, как я ожидал).

В этой статье также перечислены алгоритмы, используемые в ансамблевом обучении;

Альтернативное дерево решений

kNN

АдаБуст

Наивный Байес

Случайный лес

SVM

Классификатор шаблонов.

Предлагаемые работы

В своей работе команда не использовала методы ансамблевой системы обучения, а обучала отдельные классификаторы. Используя функции, извлеченные из Balint Antal and Andras Hajdu (2014), классификатор будет обучен создавать индивидуальный классификатор для определения категорий или классов DR или не DR. Короче говоря, команда предложила использовать следующий подход;

Логистическая регрессия

Причина использования подхода логистической регрессии заключается в том, что выходным классом для этой работы является только 2, что является двоичным значением 0 и 1, которые представляют классы DR и не DR. Таким образом, была применена сигмовидная функция активации.

Нейронные сети

Концепция нейронных сетей заключается в том, что они имитируют поведение нейронных клеток человека. Он принимает ввод и производит вывод. Использование подхода нейронных сетей для бинарной классификации здесь хорошо выбрано. Автор выделил построение нейронных сетей, состоящих из нескольких слоев, состоящих из скрытых слоев между входным и выходным слоями. Каждый из слоев нейронов будет иметь сигмовидную функцию активации в конце слоя для активации единиц. И, как обычно, для обучения нейронной сети использовалось прямое и обратное распространение.

Машина опорных векторов (SVM)

Исследователи, стоящие за этой статьей, также используют SVM в качестве других альтернатив обоим вышеперечисленным методам, поскольку, по их словам, он может «давать лучшую нелинейную гипотезу, чем логистическая регрессия и нейронные сети».

Спасибо, что потратили время на чтение этого обновления. Не забудьте снова настроиться на 17-й неделе, когда я подробно расскажу о третьем документе. На следующей неделе также будет последнее обновление, которое вы увидите в этой публикации, «Заключительный год проекта 1».