基于深度学习的视网膜血管图像分割算法研究

发布时间：2021-11-03 20:43

　　随着计算机技术的发展,以深度学习为代表的方法为医疗图像的研究与发展开拓了新的方向。由于视网膜血管与糖尿病、高血压、心脑血管等疾病的重要联系,研究人员对自动分割视网膜血管这一医学任务也给予重要关注。在目前大多数基于深度学习的视网膜血管分割方法中,以编码-解码结构的分割模型融合了视网膜图像的全局和局部信息,在分割性能上取得了突破性的发展。但由于视网膜血管复杂的形态变化、病变区域的影响、毛细血管的分支多而细等因素的影响,以往的分割算法对于视网膜血管尤其是毛细血管的分割存在过分割和欠分割问题,同时简单地改进基础分割模型缺乏医学可解释性。为此,本文在现有研究方法的基础上,对基于深度学习的视网膜血管分割算法进行了重点研究,主要包括以下三个方面:首先,为了解决深度神经网络通过连续卷积、池化操作降低图像分辨率造成视网膜血管边缘细节信息丢失,微小血管分割不连续的问题,本文设计了全分辨率密集连接网络分割视网膜血管。连续的密集连接块结构增强网络对血管的特征表示能力,使得网络充分提取血管丰富的上下文语义信息和关键的细节特征信息,提高网络对纹理结构相似血管的敏感度。利用混合扩张域的扩张卷积层增加网络特征图的感受... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状及发展趋势
        1.2.1 早期传统视网膜血管分割方法
        1.2.2 基于无监督机器学习的视网膜血管分割方法
        1.2.3 基于监督机器学习的视网膜血管分割方法
        1.2.4 基于深度学习的视网膜血管分割方法
    1.3 本文主要研究工作
    1.4 章节安排
第2章 基础分割网络及视网膜血管相关介绍
    2.1 深度学习基础分割网络
        2.1.1 全卷积神经网络
        2.1.2 U-Net
    2.2 视网膜血管相关知识和分割评价指标
        2.2.1 视网膜血管形态结构及医学成像介绍
        2.2.2 视网膜血管数据集介绍
        2.2.3 视网膜血管分割评价指标介绍
    2.3 本章小结
第3章 全分辨率密集连接网络视网膜血管分割网络
    3.1 引言
    3.2 网络组件设计原理
        3.2.1 密集连接网络
        3.2.2 扩张卷积
    3.3 全分辨率密集连接网络设计
        3.3.1 全分辨率密集连接网络模型结构
        3.3.2 混合接受域的密集连接块结构
    3.4 实验结果与分析
        3.4.1 数据预处理与参数设置
        3.4.2 不同数据集实验结果分析
        3.4.3 不同数据集实验结果可视化分析
    3.5 本章小结
第4章 多尺度通道注意力视网膜血管分割网络
    4.1 引言
    4.2 网络组件设计原理
        4.2.1 注意力机制
        4.2.2 多尺度网络结构
    4.3 网络整体结构设计
        4.3.1 通道注意力模块实现过程
        4.3.2 多尺度特征提取模块实现过程
        4.3.3 特征解码块实现过程
        4.3.4 损失函数
    4.4 实验结果与分析
        4.4.1 实验设置与数据预处理
        4.4.2 各个算法模型在不同数据集上分割结果的定量分析
        4.4.3 各个算法模型在不同数据集上分割结果的可视化分析
        4.4.4 模块的消融实验
    4.5 本章小结
第5章 自适应形态变化的高效视网膜血管分割网络
    5.1 引言
    5.2 网络组件设计原理
        5.2.1 可变形卷积
        5.2.2 网络正则化
    5.3 自适应形态变化网络实现过程
        5.3.1 网络整体结构
        5.3.2 自适应形态变化实现过程
        5.3.3 自适应形态变化正则化卷积模块结构图
    5.4 实验结果与分析
        5.4.1 实验数据预处理与参数设置
        5.4.2 实验对比分析
        5.4.3 实验可视化分析
    5.5 本章小结
结论
参考文献
致谢
攻读硕士学位期间发表的学术论文及参加的科研项目



本文编号：3474320