面向眼底图像结构分割的GAN网络数据生成方法研究

发布时间：2022-01-23 03:43

　　眼底视网膜图像处理与分析是计算机视觉在医学领域的重要应用,通过对眼底图像结构分割可以有效地对各类疾病进行准确的判断,例如糖尿病性视网膜病变、动脉硬化、高血压、青光眼以及其它眼底相关疾病。传统分割算法误差较大,近年来,深度学习网络框架层出不穷,如何利用深度学习的方法来代替眼科医生人工观测,从而提高检测效率和降低人工误检率逐渐成为当前研究的热点问题。眼底图像视网膜结构分割是本文的主要研究内容。首先,针对眼底血管图像数据不易收集、标注工作繁琐的问题,本文提出基于GAN网络的眼底血管图像自动生成方法。生成网络部分采用编码器和解码器两个部分,编码器为特征提取带来了更丰富的语义信息,解码器使用反卷积来恢复特征图的尺寸,并融合编码器中的特征图以修复损失的特征信息,判别网络部分负责判断输入判别网络的图像是否为真实图像。在此基础上,本文提出一种基于深度学习的眼底图像结构分割方法,分割对象为眼底图像的血管、视杯视盘、黄斑、出血点和渗出物眼底结构。针对眼底图像结构复杂,结构细节分割不清晰的问题,设计多尺度输入卷积神经网络以增加网络对于分割结构细节的学习能力,每一个尺度的数据先经过VGG-19卷积层提取卷积特... 

【文章来源】：天津工业大学天津市

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

糖尿病性视网膜病

天津工业大学硕士学位论文26图3-4生成网络结构3.1.2判别网络结构判别器具体网络结构如图3-5所示。当输入尺寸为256×256的图像数据时，图3-5第一行为输入图像数据的尺寸，第二行中e1e8和第四行d1d8为生成器中对应的变量，第三行d1td7t为生成器中编码器的临时变量。然后与e8e2在通道维度进行连接后得到最终的d1d7。最终d8经过Tanh函数输出，得到范围为[-1,1]之内的生成图像对。

第四章结合多尺度输入与图像生成的眼底图像分割方法37针对覆盖型结构分割边缘误差问题，本文对覆盖型结构做FOV提取的数据预处理，如图4-7所示。原始图像如图4-7第一行所示，FOV提取后对应图4-7第二行所示。图4-7眼底图像FOV边缘提取分割眼底图像覆盖型结构的第一步是把视网膜图像从背景中分割出来，即FOV提龋本文通过使用K均值聚类方法[61]相似属性的图像像素分组，在视网膜眼底图像中减少不同颜色的数量，执行自适应阈值处理方法从视网膜眼底图像的背景中分割FOV边界，由于目的是将FOV与背景区分开，因此阈值必须大于背景像素的强度值。通过将阈值从0(对应于黑色)改变至30来对比观察，可设原始图像为f(x,y)，T为阈值，阈值分割时则满足式(4-2)：1(,)(,)0(,)fxyTgxyfxyT，，(4-2)最初，FOV分割随着阈值增加而改善，但是在一定值之后，即T=23，在分割中没有显着改善，FOV边界和FOV边界变得扭曲，这是由于包含对应于FOV的内部区域的像素。因此，本文将FOV将阈值定为23。图4-7中给出了一些视网膜图像和相应的分割出来的FOV，很好地能解决了FOV边缘误检的问题。彩色眼底图像覆盖型结构预处理结束后，下一步是将数据输入到Multi-seg-CNN网络中。本文采用了图4-2所示的Multi-seg-CNN网络，分别输入数据尺寸为224×224，448×448，896×896以及完整图像，目的是在注重网络

【参考文献】：
期刊论文
[1]眼底荧光血管造影在糖尿病性视网膜病变诊断及治疗中的应用价值[J]. 蒋小均,赵研.  糖尿病新世界. 2019(03)
[2]糖尿病性视网膜病变发病机制研究进展[J]. 魏莹莹,顾永昊.  实用防盲技术. 2016(03)
[3]彩色眼底图像视网膜血管分割方法研究进展[J]. 朱承璋,邹北骥,向遥,严权峰,梁毅雄,崔锦恺,刘晴.  计算机辅助设计与图形学学报. 2015(11)
[4]眼底红外检测仪的研究[J]. 黄君鑫,董屠蔷,朱俊,宋贵才.  长春理工大学学报(自然科学版). 2008(01)
[5]糖尿病眼底病变相关因素分析[J]. 田文真,李红梅.  宁夏医学杂志. 2003(04)

硕士论文
[1]基于生成式对抗网络眼底图像生成与深度学习血管分割[D]. 石小周.北京交通大学 2019



本文编号：3603531