糖尿病视网膜分割算法研究

发布时间：2021-05-08 12:28

　　近年来,糖尿病患者数量逐渐升高,由此引发的视网膜病变问题更加复杂多样。由于眼底图像中血管交错纵横且具有个体差异,医生进行诊断时需要花费大量时间观察血管结构。因此本文基于深度学习设计血管分割模型,并对分割后图像血管节点提取与分类,辅助医生进行诊断。具体研究内容如下:针对糖尿病视网膜图像分割问题,研究全卷积网络模型、U-Net网络模型以及Seg Net网络模型,搭建Keras和Tensorflow深度学习算法平台框架,优化Python算法代码,利用DRIVE开源数据集完成各模型的训练和测试。对比分析各模型算法的优缺点,为后续研究做准备。针对U-Net网络在分割效果上的不足之处进行改进。首先结合U-Net网络分割速度快和Res Net网络在增加网络深度的同时减少训练误差的优点,设计新的Resunet网络对糖尿病视网膜图像进行分割。其次使用同一数据集对Resunet网络进行训练和测试。最后与其他分割方法进行对比分析,使用Dice系数和ROC曲线验证Resunet网络能够更好地完成糖尿病视网膜图像分割任务,并且加快网络的运算速度。利用Resunet网络分割后的糖尿病视网膜血管图像,设计两种视网膜... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题来源
    1.2 研究背景及意义
    1.3 国内外研究现状
        1.3.1 在图像分割方面的研究现状
        1.3.2 在视网膜血管节点提取与分类的研究现状
    1.4 论文主要研究内容
第2章 深度学习相关技术
    2.1 深度学习介绍
    2.2 深度卷积神经网络
    2.3 神经网络训练过程
        2.3.1 图像预处理
        2.3.2 神经网络的构建
        2.3.3 神经网络的训练
        2.3.4 目标数据的预测
        2.3.5 输出结果的后处理
    2.4 深度学习常用开源框架
    2.5 本章小结
第3章 深度学习方法对糖尿病视网膜图像分割
    3.1 糖尿病视网膜图像分割流程
    3.2 全卷积网络
        3.2.1 全卷积网络结构
        3.2.2 全卷积网络搭建
    3.3 U-Net网络
        3.3.1 U-Net网络结构
        3.3.2 U-Net网络搭建
    3.4 Seg Net网络
        3.4.1 Seg Net网络结构
        3.4.2 Seg Net网络搭建
    3.5 实验设计
        3.5.1 实验数据与环境
        3.5.2 评价标准
    3.6 训练过程及结果分析
        3.6.1 训练过程
        3.6.2 实验结果对比分析
    3.7 本章小结
第4章 改进的Resunet网络对糖尿病视网膜图像分割
    4.1 Resunet网络模型搭建
        4.1.1 残差结构
        4.1.2 t Resunet网络设计
        4.1.3 优化函数
        4.1.4 损失函数
    4.2 实验数据与环境
    4.3 图像预处理
        4.3.1 扩充数据集
        4.3.2 数据归一化
        4.3.3 灰度化处理
        4.3.4 自适应直方图均衡化
    4.4 训练过程及结果分析
        4.4.1 训练过程
        4.4.2 实验结果对比分析
    4.5 本章小结
第5章 视网膜血管图像特征点提取和分类
    5.1 视网膜血管节点特征分析
        5.1.1 全局特征和局部特征
        5.1.2 特征点检测
    5.2 CPDA检测技术
    5.3 骨架结构的节点检测
    5.4 视网膜分割图像的节点检测与分类
        5.4.1 节点检测与分类算法
        5.4.2 实验过程及结果分析
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢


【参考文献】：
期刊论文
[1]基于卷积神经网络的绝缘子目标识别方法研究[J]. 陈春玲,杨雪,周云成,王俊,朱浩祎,苑婷,于泳.  沈阳农业大学学报. 2019(04)
[2]基于迁移学习的糖尿病视网膜病变辅助诊断算法[J]. 黄义劲,吕俊延,李萌,夏鸿慧,袁进,唐晓颖.  中华实验眼科杂志. 2019 (08)
[3]基于多尺度卷积神经网络的糖尿病视网膜病变病灶检测算法及应用[J]. 杨叶辉,刘佳,许言午,黄艳,王磊.  中华实验眼科杂志. 2019 (08)
[4]基于眼底图像的视网膜血管分割方法综述[J]. 向陈君,张新晨.  工业技术创新. 2019(02)
[5]用于卷积神经网络图像预处理的目标中心化算法[J]. 董秋成,吴爱国,董娜,冯伟.  中南大学学报(自然科学版). 2019(03)
[6]糖尿病视网膜病变临床研究设计的思考:从随机对照试验到真实世界研究[J]. 孙晓东,贾慧珣.  中华眼底病杂志. 2019 (02)
[7]自动化机器学习在眼部疾病识别及分类中的初步应用[J]. 刘洋,史煜,曹雪倩,陈力迅,赵峰.  中国数字医学. 2019(03)
[8]基于深度学习的医学图像分割技术[J]. 亢寒,张荣国,陈宽.  人工智能. 2018(04)
[9]基于改进卷积神经网络的视网膜血管图像分割[J]. 吴晨玥,易本顺,章云港,黄松,冯雨.  光学学报. 2018(11)
[10]傣文贝叶经的图像增强与二值化方法研究[J]. 钟卿,余鹏飞,李海燕,陈瑞新.  云南大学学报(自然科学版). 2017(05)

硕士论文
[1]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016



本文编号：3175337