基于机器学习的医疗影像辅助诊断系统设计

摘要：

由于糖尿病视网膜病变(DR)、黄斑水肿、玻璃膜疣等疾病起病隐匿不易被察觉,导致误诊率、漏诊率较高,因此,本文基于深度学习模型的卷积神经网络,设计一款云端医疗诊断系统,辅助医生给患者进行诊断.在对这3种疾病的视网膜OCT图像分类时,因获取不到足够大的数据集,将数据增强、迁移学习等算法应用于OCT图像的识别中.在机器学习开发环境中训练模型后,将网络模型移植到ZYNQ平台上,以Xilinx推出的ZYNQ UltraScale+MPSoC作为处理器,创造性地将机器学习算法移植到嵌入式软硬件平台上,通过ARM与现场可编程逻辑门阵列(FPGA)的协同工作,达到机器学习常用的处理器GPU所不具备的性能.测试结果表明,经迁移学习后的GoogLeNet网络对OCT图像的识别正确率达98％左右,基本能达到一个经验丰富的医生水平.且本系统与GPU相比,具有处理速度快、功耗低、用户体验好、便携等特点,适合推广应用.

关键词：深度学习、迁移学习、云端辅助诊断、ZYNQ平台、现场可编程门阵列

所属期刊栏目：23

分类号：TN911

在线出版日期：2020-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：132-137