当前位置:主页 > 科技论文 > 软件论文 >

基于深度学习的眼底图像血管分割方法研究

发布时间:2018-05-21 00:24

  本文选题:眼底图像 + 血管分割 ; 参考:《深圳大学》2017年硕士论文


【摘要】:眼底疾病种类繁多,如发病率较高的白内障、青光眼、老年黄斑变性、糖尿病视网膜病变,是四大致盲诱因,危害十分严重。同时,眼底是人体唯一能够直接观察到血管的部位,眼底疾病也能够反映身体的其它疾病,如糖尿病视网膜病变等。眼底图像是目前诊断眼底疾病的主要方式。而眼底图像血管分割则是疾病定量分析的必要步骤。目前,性能最优异的眼底图像血管分割方法属于监督方法,此类方法需要人工设计特征,这十分依赖设计者的经验,而且其算法参数的优化需要耗费大量的时间。而近年来,得益于能够自动提取特征和优化算法参数的技术特点,深度学习在图像处理、语音识别等方面取得了突破性的应用成果。因此,本课题围绕深度学习在眼底图像血管分割中的应用展开研究。本课题一共研究了两类基于深度学习的眼底图像血管分割方法,分别是基于块的图像分割方法和端到端的图像分割方法。这些方法都有很强的特征提取能力,且其模型在训练过程中也能自主进行模型参数的优化。其中,基于块的图像分割方法首次实现了输入图像块,输出其对应的标签概率图;端到端的图像分割方法首次实现了输入原始眼底图像,直接输出其对应的整体的标签概率图。本文提出的四种图像分割方法能够进行特征自动提取和参数自主优化、且算法的准确性和速度相比以往方法有较大提高。在DRIVE、STARE和CHASE这三大眼底图像数据库上,各个方法的灵敏度(Sensitivity,Se)、特异性(Specificity,Sp)和准确性(Accuracy,ACC)都达到了世界先进水平。其中,端到端的图像分割方法在DRIVE和CHASE数据库上的分割性能已经达到专家水平,而且此类方法的分割的速度相比以往有质的提高,在目前实验室硬件条件下,本课题采用四分之一型网络模型分割一张DRIVE数据库中的眼底图像耗时仅0.25s。从基于块的图像分割方法到端到端的图像分割方法,本课题从不同层面提出了多种眼底图像血管分割方法。这些图像分割方法性能优异,应用方便,在整个图像分割领域都有重要的推广价值和科研意义。
[Abstract]:There are many kinds of fundus diseases, such as cataract with high incidence, glaucoma, senile macular degeneration and diabetic retinopathy. At the same time, fundus is the only place where blood vessels can be observed directly. Fundus diseases can also reflect other diseases of the body, such as diabetic retinopathy. Fundus image is the main way to diagnose fundus disease. Vascular segmentation of ocular fundus image is a necessary step in quantitative analysis of disease. At present, the best method of eyeground image blood vessel segmentation belongs to the supervised method, which requires artificial design features, which depends on the designer's experience, and the optimization of algorithm parameters takes a lot of time. In recent years, thanks to the technical features of automatic feature extraction and optimization of algorithm parameters, deep learning has achieved a breakthrough in image processing and speech recognition. Therefore, this paper focuses on the application of depth learning in ocular fundus image vascular segmentation. In this paper, two kinds of image segmentation methods based on depth learning, block based image segmentation and end-to-end image segmentation, are studied. These methods have strong ability of feature extraction, and their models can be optimized by themselves during the training process. Among them, the block-based image segmentation method implements the input image block for the first time, outputs the corresponding tag probability map, and the end-to-end image segmentation method implements the input original fundus image for the first time, directly outputs its corresponding overall tag probability map. The four image segmentation methods proposed in this paper can extract features automatically and optimize parameters autonomously, and the accuracy and speed of the algorithm are greatly improved compared with the previous methods. The sensitivity, specificity and accuracy of each method have reached the advanced level of the world on the three fundus image databases: DRIVECESTARE and CHASE. Among them, the segmentation performance of end-to-end image segmentation methods in DRIVE and CHASE databases has reached the expert level, and the speed of this method is improved compared with the previous ones. In this paper, it takes only 0.25 s to segment the fundus image in a DRIVE database by using the model of 1/4 network. From block-based image segmentation to end-based image segmentation, this paper proposes a variety of eyeground image vascular segmentation methods from different levels. These image segmentation methods have excellent performance and convenient application, and have important value and scientific significance in the whole field of image segmentation.
【学位授予单位】:深圳大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:R770.4;TP391.41

【相似文献】

相关期刊论文 前10条

1 胡磊;毕维民;陈迪;郭永新;张光玉;李艳春;焦青;;眼底图像处理软件在眼科临床应用观察[J];泰山医学院学报;2009年09期

2 张东波;易瑶;赵圆圆;;基于投影的视网膜眼底图像视盘检测方法[J];中国生物医学工程学报;2013年04期

3 刘爱珍,马斌荣,徐亮,杨桦,孙秀英;眼底图像融合[J];中国医学影像技术;2003年11期

4 刘爱珍;王小兵;徐亮;任海萍;宋菲;王飒;;眼底图像对位频闪[J];首都医科大学学报;2006年05期

5 余轮;魏丽芳;潘林;;眼底图像配准技术研究进展[J];生物医学工程学杂志;2011年05期

6 魏丽芳;潘林;余轮;;一种病变眼底图像的配准方法[J];中国生物医学工程学报;2011年04期

7 陈骥;彭承琳;;眼底图像的三维重建[J];生物医学工程学杂志;2008年01期

8 陈萌梦;熊兴良;张琰;王诗鸣;李广;;1种视网膜眼底图像增强的新方法[J];重庆医科大学学报;2014年08期

9 刘爱珍,马斌荣,徐亮,孙秀英,宋菲;眼底图像的配准[J];医疗设备信息;2003年10期

10 曹米莎;程建新;陈昱昆;庞博;王剑锋;詹增荣;邝健;周少博;李辉;梁纳;袁永刚;卢毓敏;陈悦玲;;眼底图像检验系统对眼底的临床观察与研究[J];临床医学工程;2013年01期

相关会议论文 前4条

1 王子亮;潘林;余轮;;基于矢量方法的眼底图像预处理[A];第十四届全国图象图形学学术会议论文集[C];2008年

2 曹米莎;程建新;陈昱昆;庞博;王剑锋;詹增荣;邝健;周少博;李辉;梁纳;袁永刚;卢毓敏;陈悦玲;;眼底图像检验系统对眼底的临床观察与研究[A];“广东省光学学会2013年学术交流大会”暨“粤港台光学界产学研合作交流大会”会议手册论文集[C];2013年

3 黄君鑫;;红外眼底镜的研究[A];中国光学学会2006年学术大会论文摘要集[C];2006年

4 朱琳琳;唐延东;;基于眼底特征的视盘自动检测[A];2010中国仪器仪表学术、产业大会(论文集1)[C];2010年

相关博士学位论文 前5条

1 高玮玮;眼底图像分割算法及应用研究[D];南京航空航天大学;2013年

2 李居朋;眼底图像处理与分析中一些关键问题的研究[D];北京交通大学;2009年

3 韩松涛;眼底图像的血管特征分析[D];吉林大学;2010年

4 姚畅;眼底图像分割方法的研究及其应用[D];北京交通大学;2009年

5 李鹏飞;眼底图像实时处理与液晶自适应系统控制研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2010年

相关硕士学位论文 前10条

1 于婷;眼底图像视神经盘和渗出物自动分割算法研究[D];兰州大学;2015年

2 郑姗;主动轮廓模型及其在眼底图像分割中的应用[D];沈阳理工大学;2015年

3 于甜甜;基于自适应盲解卷积的眼底图像复原[D];山东农业大学;2015年

4 于挥;眼底图像中病变的检测方法研究[D];兰州交通大学;2015年

5 赵麒然;基于改进参数核图割的OCT眼底图像分割方法研究[D];吉林大学;2016年

6 潘燕红;基于监督分类的糖尿病视网膜病变检测方法的研究[D];福州大学;2014年

7 李敏;眼底图像血管三维重建方法研究[D];天津工业大学;2016年

8 邵一婷;彩色眼底图像视盘自动检测方法研究[D];天津工业大学;2016年

9 祝婉;多模眼底图像配准方法研究[D];天津工业大学;2016年

10 崔宁;彩色眼底图像血管参数测量方法研究[D];天津工业大学;2016年



本文编号:1916912

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/1916912.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户344c5***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com