结合代价敏感半监督集成学习的糖尿病视网膜病变分级

针对传统糖尿病视网膜病变(糖网)分级诊断系统中,由于数据集中缺少病灶区域的标记和类别分布的不平衡性导致无法有效地进行监督性分类的问题,提出基于代价敏感的半监督Bagging(CS-SemiBagging)的糖网分级方法。首先,从眼底图像上删除视网膜血管,并在此图像上检测疑似的红色病灶(微动脉瘤(MAs)与出血斑(HEMs));然后,从颜色、形状和纹理方面提取22维的特征用于描述每个病灶区域;其次,构建一个CS-SemiBagging模型对MAs与HEMs进行分类;最后,依据不同病灶的数量将糖网划分为4级。通过对国际公共数据集MESSIDOR进行糖网分级评估实验,所提方法获得平均准确率为90.2%,与经典的半监督学习的Co-training方法相比提高了4.9个百分点。实验结果表明,CS-SemiBagging方法在无需提供病灶标注的情况下,能够高效自动地对糖网进行分级,从而既能免除医学图像中标注病灶的费时费力,又可以避免样本类别分布不平衡对分类算法的性能影响,获得较好的效果。