Deep CNNs for Diabetic Retinopathy Detection笔记

Deep CNNs for Diabetic Retinopathy Detection笔记

1.主要工作

使用卷积神经网络实现DR的两种分类（都是2分类模型）；

2.数据集

Kaggle

an epoch was set to 2000 training examples

number of postive(眼底正常类) and negative(1-4级非正常类) examples are equal.

3.预处理

图片大小变为256*256；

each image was rescaled to have the same radius (the eyeball) and each pixel had its color subtracted by the local average；

The edges of the images were also clipped since there is a great variation on the boundaries or edges of the images；

4.训练过程

首先是simpler task（2分类：是否with DR）

采用了两个model：都是使用了googleNet Inception V3模型（已经预训练）最后再加了两层全连接层。

模型的区别是：model1是冻结了v3部分，只训练加的两层全连接层；而model2不仅训练全连接层，而且训练V3模型的top two blocks(layer 172 to 217)

并且只从0级和4级数据集中选取总共1665张图片 80%用做training set；剩下20%用作验证和测试集。

最后训练结果表明： model2的训练集准确率和验证集准确率存在large gap（约10%），表明overfitting了。

所以增加了data augmentation（random vertical and horizontal reflections ,Gaussian nosie, random crops, random shear）。

采用data augmentation后，准确率明显提高（整体比第一次好）。

Detecting referable DR

和上面一样的两个model

referable DR: moderate or worse DR (which excludes mild DR), and corresponds to a grading of 2-4 in our dataset

两类：（0和1） &（2-4）

4.模型结果对比：