基于多路CNN和机器学习分类器对糖网分类

Diabetic retinopathy classifcation based on multipath CNN and machine learning classifers

IF = 7.099/Q1
感觉好眼熟，和第34篇的思路相同——文献阅读（34）——眼底照使用轻量级CNN用于糖网分级

文章目录

• 基于多路CNN和机器学习分类器对糖网分类
• • 先验知识/知识拓展
  • 文章结构
  • 文章结果
  • 方法
  • • 1. 网络架构
  • 总结
  • • 1. 文章优点
    • 2. 文章不足
    • 可借鉴点/学习点？

先验知识/知识拓展

• 糖网主要分为非增殖性糖网（NPDR）和增值性糖网(PDR)，基于病灶，NPDR又被分为轻中重三个等级。
• 在特征提取的过程中，随着网络深度的增加，对于细小特征的损失增加

文章结构

• 摘要

• introduction

• 方法

  • 网络结构

  • 使用M-CNN提取特征

  • 使用预训练模型提取特征

  • 机器学习分类器

    • 支持向量机
    • 随机森林
    • J48

• 性能分析

  • K折交叉验证
  • 评估矩阵

• 实验结果

  • 数据刻画
  • 糖网多分类的方法
  • 每个分类器的混淆矩阵
  • 使用提取的特征进行性能指标计算
  • 使用预训练模型进行性能指标计算

• discussion

  • 混淆矩阵分析
  • 性能评估
  • 使用预训练网络对糖网分类
  • 和现在糖网分类的方法进行比较

• conclusion

文章结果

设计了一个多路径的卷积神经网络用于提取糖网的特征，将提取到的特征作为机器学习分类器的输入对糖网进行分类

• 第一个使用分割模型而不是回归模型对黄斑定位的

方法

1. 网络架构

• 传统的CNN可能会因为太短或者太长的前向传播在全局结构上有些损失。

• 多路提取特征存在的问题：

  • 在将当前层的特征转移到shortcut路径的时候，其实给CNN网络造成了分析全局结构的假象
  • 如果图像的分辨率太低，网络会很容易收到全局噪声的干扰

总结

1. 文章优点

• 前期做了丰富的文献调研，将现在对糖网的分类的各种方法简单阐述，reference4-26都是别人的method。
• 文章写作很详细，清楚的说明后面网络中的maxpooling层和dropout层的作用，当然还把每个卷积层的核都写的很详细，处于读者角度自我感觉很友好。
• 比较了不同kernel size 和 kernel number情况下，模型的性能
• 比较了提出的多路径CNN和现存方法之间的性能，使用VGG16和ResNet50提取的特征使用机器学习的方法进行分类的结果和使用多路径CNN提取的特征经过机器学习的分类器得到的分类结果进行比较。

2. 文章不足

• figure真的很丑，如果我画这样的workflow应该会被打死吧！
  

可借鉴点/学习点？

• 文章写的很详细，虽然多路径CNN在早期就有发表过文章（计算机方向的期刊），但是现在用在医学领域做分类或者其他任务的还不多。
• 这个思想是值得学习的，感觉其实有些像多尺度，所有所尺度和多路径到底有什么区别？？我先去查查