基于深度学习的视网膜病变图像分类研究

发布时间：2021-01-19 10:38

　　视网膜是眼球内部的一层薄膜,上面分布着众多的微型血管网络,在正常情况下,视网膜的形态一直是处于正常状态,但是对于一些眼睛疾病如糖尿病性视网膜病变、白内障和身体性的疾病如高血压、动脉硬化等都会对视网膜结构（如血管的宽度、角度、长度等）造成改变,因此,对视网膜图像进行分析研究是目前诊断各类疾病的主要方式。由于人为的对视网膜图像进行特征提取和分类十分依赖研究者的已有经验,而且通过肉眼进行疾病诊断可能会出现误判,因此,采用科学的方法对视网膜图像进行定量分析是正确诊断各类疾病的关键步骤。近年来,深度学习技术日益成熟,并在医疗图像处理应用中取得了突破性的成果,本文将基于深度学习技术对视网膜图像进行病变程度分类和血管分割两个方面的工作,主要内容如下:（1）对视网膜图像分类和血管分割的背景和现状进行了简单介绍,并详细描述了深度学习平台Caffe和TensorFlow的工作原理和使用优势,以及本文使用到的深度学习关键技术。（2）本文利用深度学习技术设计出了一种糖尿病性视网膜图像的自动分类系统。首先,根据视网膜数据集的特点对图像采取数据扩增、降噪等预处理操作;其次,在AlexNet的基础上,对网络引入批归... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图２．４卷积运算的过程??

设定的正方形边长，ｓ为训练过程中的正方形滑动步长。其中，Ｍａｘ?Ｐｏｏｌｉｎｇ算法??是将大部分数值设置为０，只有在对应图像矩阵区域内设置一个最大值为１，??Ｍｅａｎ?Ｐｏｏｌｉｎｇ算法是对固定区域内的所有像素求和取平均值，如图２．５所示。??Ｍａｘ?Ｐｏｏｌｉｎｇ?Ｍｅａｎ?Ｐｏｏｌｉｎｇ??Ｉｎｐｕｔ?ｘ?／?Ｋｅｒｎｅｌ?ｗ?Ｏｕｔｐｕｔ?ｙ?Ｉｎｐｕｔ?ｘｋｅｒｎｅｌ?ｗ?Ｏｕｔｐｕｔ?ｘ??ｒ?ｆ??图２．５池化函数的计算原理图??从图２．５可知，池化操作可以使图像尺寸减小，因此可以减少网络的参数的??数量，降低网络规模，这在节省计算机内存的同时可以提高模型的训练速度，本??文中的神经网络都采用最大池化算法．??２．３．３全连接层??全连接层（Ｆｕｌｌｙ?Ｃｏｎｎｅｃｔｅｄ?Ｌａｙｅｒ）的主要作用是将卷积层的输出特征矩阵转??换成列向量，因此，引入全连接层相当于给神经网络设置了一个分类器。即数据??特征在经过全连接层后将会被转换为一维向量且分类概率会从该层输出，概率最??大图片就是其所属类别［３７］。如图２．６所示，本文在视网膜图像分类时，图像依次??经过卷积层、池化层，但在经过后面的全连接层后，图像由二维矩阵变成了一维??１６??

信息；（３）对提取的特征图采取上采样操作从而保证了输出图像与输入图像尺寸??一致。??ＣＮＮ通过一定的计算规则进行修改可转换ＦＣＮ，如图２．７所示。其中，第一??个全连接层（ｆｃｌ）输入维度为ＬｘＷｘ／／，将其与一个同样维度大小的卷积核进行??卷积运算便可实现全连接层向卷积层的转换，因为图中有２全连接层，因此需要??进行２次类似的卷积运算。??１７??

【参考文献】：
期刊论文
[1]用于糖尿病视网膜病变检测的深度学习模型[J]. 庞浩,王枞.  软件学报. 2017(11)
[2]糖尿病视网膜病变眼底图像分类方法[J]. 梁平,熊彪,冯娟娟,廖瑞端,汪天富,刘维湘.  深圳大学学报(理工版). 2017(03)
[3]糖尿病性视网膜图像的深度神经网络分类方法[J]. 丁蓬莉,李清勇,张振,李峰.  计算机应用. 2017(03)
[4]基于改进sigmoid激活函数的深度神经网络训练算法研究[J]. 黄毅,段修生,孙世宇,郎巍.  计算机测量与控制. 2017(02)



本文编号：2986834