基于改进型编解码网络的眼底图像视网膜动脉硬化检测
发布时间：2021-07-24 08:18
全身性动脉硬化会导致血液循环停滞,甚至引发梗死。视网膜动脉硬化是全身性动脉硬化的典型表现,且视网膜血管是唯一可进行无创观察的血管,因此可通过定期视网膜动脉硬化检测了解全身动脉血管的硬化程度,及时采取医疗手段对病情进行干预。目前,医生凭借经验观察眼底图像实现视网膜动脉硬化诊断,但该方法工作量大、效率低,不适用于大规模人口疾病普查,所以当前急需一种自动检测方法。视网膜动脉硬化可通过判断眼底图像中动脉反光带相对于动脉血管的灰度和宽度是否增加来确定,因此视网膜动脉硬化检测方法首先需要分割得到动脉血管和动脉反光带,并基于此进行视网膜动脉硬化检测。针对动脉血管及动脉反光带的分割任务,本文提出基于改进型编解码网络的动脉血管和动脉反光带的分割方法。首先,在样本制作中,对动静脉血管及动脉反光带进行标注,静脉血管的标注有助于网络减少因动静脉血管特征相似而引起的错误分割;其次,结合Inception Res Net V2模块和残差注意力机制模块改进编解码网络Seg Net,Inception Res Net V2模块使网络能提取到多尺度特征,残差注意力机制模块可增强网络的特征聚焦能力,能更好地将动静脉血管及...
【文章来源】：天津工业大学天津市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
正常视网膜眼底图像
二种则是在全身性疾病基础上出现的视网膜动脉硬化。如果只是单纯性老年生理性视网膜动脉硬化，并且无高血压和糖尿病等全身疾患，同时也无其他眼部异常情况，那么仅需要定期随访、注意饮食即可，但如果是第二种情况，那么说明全身血管都处于病变中，其危险性取决于动脉血管的硬化程度。视网膜动脉硬化会对视网膜动脉血管的管径和亮度产生影响[7]，导致患者的眼底动脉血管管壁光学密度增加，管腔缩小而变窄，产生反射亢进，表现为视网膜动脉硬化不同时期的血管反射频带和反射亮度的变化[8-9]。存在视网膜动脉硬化的眼底图像如图1-2所示。当出现动脉硬化时，动脉反光带加宽，血柱颜色由正常红色变成金属亮铜色，如图1-2中第1、2幅图所示。当动脉硬化持续加重时，血管呈白色银丝反光，如图1-2中第3幅图所示。图1-2视网膜动脉硬化的眼底图像对比在中国有上百万眼科疾病患者，但眼科医生仅有3.5万人。眼科疾病的诊断需要耗费医生大量时间去分析眼底图像，存在工作量大、效率低的缺点，所以人工检查的方法已不适用于大规模眼科疾病的普查。临床上，医生对于视网膜动脉硬化的诊断方法主要是凭借经验对眼底图像进行观察，通过判断动脉反光带相对于动脉血管的反光程度和宽度是否增加，从而判定眼底图像是否存在视网膜动脉硬化。因此，本文将宽度比(动脉反光带与动脉血管宽度之比)和灰度比(动脉反光带平均灰度与动脉血管平均灰度之比)统称为反光带参数，并将其作为视网膜动脉硬化检测的主要依据。为了计算反光带参数，需要分割提取出眼底图像中的动脉血管和动脉反光带，再对其进行灰度拟合，从而实现视网膜动脉硬化检测。视网膜动脉硬化检测主要存在两个关键问题，分别是动脉血管和动脉反光带的分割、视网膜动脉硬化的定量检测。一方面，视网膜血管的分割
?募虻ズ透丛酉赴?娜斯ね?纾??鏝eocognitron包括几个卷积层，其感受野具有权重向量，能够识别模式并且保持不受位置变化的影响。Fukushima的Neocognitrn可以说是第一个神经网络，被认为启发了当今的卷积神经网络研究。1989年，法国科学家YannLeCun将一种后向传播风格的学习算法应用于Fukushima的卷积神经网络结构中。因此，LeCun几年后发布了LeNet-5[30]，这是第一个被引入且其基本成分至今仍然在卷积神经网络中使用的现代网络。随后，LeNet-5网络被应用于角色识别和阅读邮政编码的商业产品中。卷积神经网络演变过程如图2-1所示。图2-1卷积神经网络演变过程随着计算机硬件平台的发展，计算机运算速度更快、功能更强大。研究人员可以访问大型标记的高维视觉数据集，能够充分训练深度学习模型。2012年，多伦多大学团队参加了每年ImageNet举办的大规模视觉识别竞赛(ImageNetLargeScaleVisualRecognitionChallenge,ILSVRC)[31]，团队提出的AlexNet网络[32]直接将图像分类的错误率从26%降低到16.4%。接下来几年中，ILSVRC中
【参考文献】：
期刊论文
[1]基于梯度二阶导数的Canny阈值自适应选取算法[J]. 赵娅琳,陶青川,卢倩雯,刘蔓霄. 科学技术与工程. 2018(14)
[2]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)
[3]基于匹配滤波和自动阈值的眼底血管分割方法[J]. 曹新容,薛岚燕,林嘉雯,余轮. 电子测量与仪器学报. 2017(01)
[4]基于HESSIAN增强和形态学尺度空间的视网膜血管分割[J]. 于挥,王小鹏. 计算机应用与软件. 2016(08)
[5]图像边缘检测算法研究与分析[J]. 宋曙光. 光机电信息. 2010(09)
[6]教职工眼底动脉硬化检查及分析[J]. 赵怡红,赵芳玲,赵玉新,李雪. 中国热带医学. 2005(09)
[7]视网膜动脉硬化与脑动脉硬化检查的对比研究[J]. 王素君,叶军,陈东芹. 中西医结合眼科杂志. 1998(03)
[8]基于高斯拟合的中轴反光度测量[J]. 陶波,郑筱祥. 浙江大学学报(自然科学版). 1998(02)
硕士论文
[1]基于视频的多人脸检测与跟踪算法的研究[D]. 田雄.杭州电子科技大学 2019
[2]基于机器学习的地物图像分类方法研究[D]. 宋超峰.中北大学 2018
[3]深度卷积网络中的自适应激活函数研究[D]. 刘华.华南理工大学 2018
[4]基于二阶池化和超完备表示的深度学习人脸识别研究[D]. 邓启力.哈尔滨工业大学 2017
[5]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[6]一种基于贝叶斯检测理论的视网膜图像血管跟踪算法[D]. 张佳.北京理工大学 2015
[7]基于形态学的血管图像分割技术研究及其应用[D]. 吴立仁.华北电力大学（北京） 2010
本文编号：3300292
【文章来源】：天津工业大学天津市
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
正常视网膜眼底图像
二种则是在全身性疾病基础上出现的视网膜动脉硬化。如果只是单纯性老年生理性视网膜动脉硬化，并且无高血压和糖尿病等全身疾患，同时也无其他眼部异常情况，那么仅需要定期随访、注意饮食即可，但如果是第二种情况，那么说明全身血管都处于病变中，其危险性取决于动脉血管的硬化程度。视网膜动脉硬化会对视网膜动脉血管的管径和亮度产生影响[7]，导致患者的眼底动脉血管管壁光学密度增加，管腔缩小而变窄，产生反射亢进，表现为视网膜动脉硬化不同时期的血管反射频带和反射亮度的变化[8-9]。存在视网膜动脉硬化的眼底图像如图1-2所示。当出现动脉硬化时，动脉反光带加宽，血柱颜色由正常红色变成金属亮铜色，如图1-2中第1、2幅图所示。当动脉硬化持续加重时，血管呈白色银丝反光，如图1-2中第3幅图所示。图1-2视网膜动脉硬化的眼底图像对比在中国有上百万眼科疾病患者，但眼科医生仅有3.5万人。眼科疾病的诊断需要耗费医生大量时间去分析眼底图像，存在工作量大、效率低的缺点，所以人工检查的方法已不适用于大规模眼科疾病的普查。临床上，医生对于视网膜动脉硬化的诊断方法主要是凭借经验对眼底图像进行观察，通过判断动脉反光带相对于动脉血管的反光程度和宽度是否增加，从而判定眼底图像是否存在视网膜动脉硬化。因此，本文将宽度比(动脉反光带与动脉血管宽度之比)和灰度比(动脉反光带平均灰度与动脉血管平均灰度之比)统称为反光带参数，并将其作为视网膜动脉硬化检测的主要依据。为了计算反光带参数，需要分割提取出眼底图像中的动脉血管和动脉反光带，再对其进行灰度拟合，从而实现视网膜动脉硬化检测。视网膜动脉硬化检测主要存在两个关键问题，分别是动脉血管和动脉反光带的分割、视网膜动脉硬化的定量检测。一方面，视网膜血管的分割
?募虻ズ透丛酉赴?娜斯ね?纾??鏝eocognitron包括几个卷积层，其感受野具有权重向量，能够识别模式并且保持不受位置变化的影响。Fukushima的Neocognitrn可以说是第一个神经网络，被认为启发了当今的卷积神经网络研究。1989年，法国科学家YannLeCun将一种后向传播风格的学习算法应用于Fukushima的卷积神经网络结构中。因此，LeCun几年后发布了LeNet-5[30]，这是第一个被引入且其基本成分至今仍然在卷积神经网络中使用的现代网络。随后，LeNet-5网络被应用于角色识别和阅读邮政编码的商业产品中。卷积神经网络演变过程如图2-1所示。图2-1卷积神经网络演变过程随着计算机硬件平台的发展，计算机运算速度更快、功能更强大。研究人员可以访问大型标记的高维视觉数据集，能够充分训练深度学习模型。2012年，多伦多大学团队参加了每年ImageNet举办的大规模视觉识别竞赛(ImageNetLargeScaleVisualRecognitionChallenge,ILSVRC)[31]，团队提出的AlexNet网络[32]直接将图像分类的错误率从26%降低到16.4%。接下来几年中，ILSVRC中
【参考文献】：
期刊论文
[1]基于梯度二阶导数的Canny阈值自适应选取算法[J]. 赵娅琳,陶青川,卢倩雯,刘蔓霄. 科学技术与工程. 2018(14)
[2]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)
[3]基于匹配滤波和自动阈值的眼底血管分割方法[J]. 曹新容,薛岚燕,林嘉雯,余轮. 电子测量与仪器学报. 2017(01)
[4]基于HESSIAN增强和形态学尺度空间的视网膜血管分割[J]. 于挥,王小鹏. 计算机应用与软件. 2016(08)
[5]图像边缘检测算法研究与分析[J]. 宋曙光. 光机电信息. 2010(09)
[6]教职工眼底动脉硬化检查及分析[J]. 赵怡红,赵芳玲,赵玉新,李雪. 中国热带医学. 2005(09)
[7]视网膜动脉硬化与脑动脉硬化检查的对比研究[J]. 王素君,叶军,陈东芹. 中西医结合眼科杂志. 1998(03)
[8]基于高斯拟合的中轴反光度测量[J]. 陶波,郑筱祥. 浙江大学学报(自然科学版). 1998(02)
硕士论文
[1]基于视频的多人脸检测与跟踪算法的研究[D]. 田雄.杭州电子科技大学 2019
[2]基于机器学习的地物图像分类方法研究[D]. 宋超峰.中北大学 2018
[3]深度卷积网络中的自适应激活函数研究[D]. 刘华.华南理工大学 2018
[4]基于二阶池化和超完备表示的深度学习人脸识别研究[D]. 邓启力.哈尔滨工业大学 2017
[5]基于卷积神经网络的人脸识别研究[D]. 叶浪.东南大学 2015
[6]一种基于贝叶斯检测理论的视网膜图像血管跟踪算法[D]. 张佳.北京理工大学 2015
[7]基于形态学的血管图像分割技术研究及其应用[D]. 吴立仁.华北电力大学（北京） 2010
本文编号：3300292
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3300292.html
最近更新
教材专著
