基于PixelNet和k-core的眼底图像配准方法研究

发布时间：2023-04-30 04:33

　　视网膜疾病在眼底视网膜上体现为黄斑、出血点、渗出物等病变,可以通过观察眼底图像进行诊断。视网膜区域较大,而一次眼底成像并不能完整地获取所有区域,往往需要采集多幅眼底图像才能满足临床诊断的需求。通过配准不同角度的眼底图像,医生能够更精确地检查和诊断各种视网膜疾病。因此,研究眼底图像的配准对视网膜疾病的早期辅助诊断和治疗具有重要的临床意义。本文首先提出了基于改进型Pixel Net网络的眼底图像血管分割方法。在Inception-v1模块基础上提出了3种增强型卷积模块,并将其运用于Pixel Net网络中。将像素分层采样和增强的卷积结构相结合,可以更好地提取像素特征,得到较好的眼底血管分割结果。在血管分割结果的基础上,本文提出了基于k-core分解的眼底图像特征点配准方法。根据血管分叉点和端点建立有向图(Di Graph),利用k=2时的k-core对眼底血管的整体结构进行分解得到了相对稳定的配准特征点,再在高斯差分空间选择极值点建立SIFT特征描述符进行配准,最后利用配准结果进行图像融合。采用本文配准方法对FIRE眼底图像配准数据库的15组眼底图像对进行测试,并与其他代表性方法比较。测试...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题的研究背景及意义
    1.2 国内外研究现状
        1.2.1 眼底图像血管分割方法的研究现状
        1.2.2 眼底图像配准方法的研究现状
    1.3 研究内容及章节安排
第二章 卷积神经网络基本知识
    2.1 人工神经网络基本概念
    2.2 卷积神经网络的结构
        2.2.1 数据输入层
        2.2.2 卷积层
        2.2.3 ReLU激活函数层
        2.2.4 池化层
        2.2.5 全连接层
    2.3 经典的CNN网络
    2.4 本章小结
第三章 眼底图像预处理
    3.1 彩色眼底图像的空间模型
        3.1.1 RGB彩色空间模型
        3.1.2 HSV空间模型
    3.2 直方图均衡化
    3.3 本章小结
第四章 基于改进型PixelNet网络的眼底图像血管分割
    4.1 PixelNet网络的原理
    4.2 改进型PixelNet网络结构
        4.2.1 Inception-v1 模块
        4.2.2 Ne-Inception-v1 模块
        4.2.3 基于Ne-Inception-v1的PixelNet网络结构
    4.3 数据库选择及样本准备
    4.4 实验结果与分析
    4.5 本章小结
第五章 基于k-core的眼底图像配准
    5.1 配准特征点确定
        5.1.1 眼底血管骨架提取
        5.1.2 眼底血管分叉点和端点提取
        5.1.3 Network X简介
        5.1.4 血管结构的Di Graph生成
        5.1.5 k-core分解
    5.2 眼底图像配准
        5.2.1 尺度空间生成
        5.2.2 特征点极值检测
        5.2.3 特征向量生成
        5.2.4 眼底图像配准
    5.3 眼底图像融合
        5.3.1 高频子带融合
        5.3.2 低频子带融合
        5.3.3 眼底图像融合
    5.4 实验结果与分析
        5.4.1 眼底图像配准实验结果与分析
        5.4.2 眼底图像融合实验结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
发表论文和参加科研情况
致谢



本文编号：3806428