基于深度学习的视网膜光学相干断层扫描图像散斑噪声抑制

发布时间：2021-03-06 19:25

　　光学相干断层成像（OCT）技术可快速获取微米级分辨率的眼部生物组织横截面图像,目前已成为视网膜成像的重要工具,为临床医生对眼科疾病的诊断和治疗提供了帮助。由光波的多次前向和后向散射引起的散斑噪声是引起OCT图像质量下降的主要因素。存在的散斑噪声经常掩盖细微但重要的形态细节,因此对观测视网膜病变是不利的。它还影响基于OCT图像的自动处理和分析方法的性能。尽管在过去二十年中OCT的成像分辨率、速度和深度已经大大改善,但作为成像技术固有问题的散斑噪声尚未得到很好的解决。本文主要研究基于深度学习的视网膜OCT图像散斑噪声抑制方法,提出了两种不同的卷积神经网络架构。本文提出的两种方法均在采自Topcon DRI-1和Topcon 2000这两种OCT仪器的视网膜图像上进行训练,用于训练的清晰图像通过对同一正常眼睛重复采集、配准并求平均得到。然后在不同仪器采集的9组正常及病变的三维视网膜OCT数据上进行测试,共取36帧进行定量分析,通过观察去噪后图像的视觉效果以及计算信噪比（SNR）、对比度噪声比（CNR）、等效视数（ENL）、边缘保持指数（EPI）这四个指标来评价方法的性能。本文提出的第一种方法... 

【文章来源】：苏州大学江苏省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图１．１视Ｎ膜在ＯＣＴ图像上的形态：??

第二章深度学习相关研宄基础与应用?基于深度学习的视网膜光学相干断层扫描图像散斑噪声抑制??／（ｘ）?＝?ｍａｘ（〇，ｘ）?（２＿２）??函数图像如图２．２所示。和Ｓｉｇｍｏｉｄ相比，ＲｅＬＵ求导简单，收敛更快。当然，ＲｅＬＵ??也容易导致训练过程中神经元无法再激活的现象，于是也出现了?Ｌｅａｋｙ?ＲｅＬＵ、ＰＲｅＬＵ??等形式的改进。??（４）池化层：也叫子采样层，通过在特征图上不断滑动池化窗口进行采样，实??现在不丢失重要信息的同时压缩特征图的维度。常用的池化方法有最大池化和平均池??化，最大池化是对池化窗口内的元素求最大值，平均池化是对池化窗口内的元素求平??均值。??１［?＼?，〇［?／！??０．８?－?／?８?－?／??」：：?／?：」：?／?：??／?会?５＿?／??０．４?＿?／?４?■?／??０．３?■?／?３?？?／??０．２?？?／?２?／??〇，?Ｊ?＇?／??〇＇?＇?＞??＞?＞?＇?＇?＇?＇??〇１?１?＊?１?１?Ｌ?１?＊?？?１???－１０?－８－６－４－２?０?２?４?６?８?１０?－１０?－８?－６?－４?－２?０?２?４?６?８?１０??Ｘ?Ｘ??图２．１?Ｓｉｇｍｏｉｄ函数图像?图２．２?ＲｅＬＵ函数图像??（５）全连接层：输入输出的特征之间均有权重连接，也就是传统的多层前馈神??经网络，通常位于ＣＮＮ的尾部，主要用于高层特征的融合和最终结果的预测。??与传统的多层前馈祌经网络相比，ＣＮＮ主要具有如下特点：（１）局部感知：模??仿了生物视觉的感受野机制，对输入数据的局部区域进

图２．４?？个五层堆叠的密集块??


本文编号：3067667