基于生成式对抗网络眼底图像生成与深度学习血管分割

发布时间：2020-07-04 07:08

【摘要】：自从2014年Lan Goodfellow提出生成式对抗网络(GAN)以来,GAN就成为人工智能中非常热门的研究领域,大量与GAN相关的文章被发表。同时GAN的技术也应用到各种领域当中,例如图像的生成、语音的生成、自然语言序列的生成、风格的迁移等。由于GAN为无监督的学习方式,GAN极有可能实现真正的智能学习,从而成为未来人工智能领域的主要研究领域之一。深度学习作为当下炙手可热的人工智能算法,在各个领域都表现出不同凡响的影响力,与传统的机器学习算法相比,在绝大多数任务中深度学习能轻松的在各项评估指标上超过机器学习和其它一些智能算法,特别是在计算机视觉和图像处理方面,深度学习的发展已经使该领域有了前所未有的突破。随着深度学习的不断发展以及在图像处理方面的优异表现,深度学习也正在成为医学图像处理领域中主流的智能辅助诊断和智能诊断算法。视网膜疾病检测是人体唯一非侵入式的检测方法。然而从彩色眼底图像中获得血管二值图像需要专业医生花费大量时间和精力对彩色眼底图像进行标注,同时高精度的眼底血管分割可以很大程度上提高疾病的诊断保障,因此利用先进的智能算法进行眼底血管分割并提高血管分割精度具有重要意义和价值。由于现有的眼底图像数据集中有标注的眼底血管图像数量非常少,利用这些数据训练出来的深度学习模型泛化性能比较差。一个直观的思想就是将生成式对抗网络和深度学习这两项热门的技术同时应用到血管分割领域中,生成式对抗网络负责生成新的眼底图像来扩增数据集,之后使用扩增的数据集进行深度学习模型的训练,得到泛化性能更好的深度学习模型。本文的主要工作包括两个方面,一是提出一种在U-Net中加入了 DenseBlock、ResBlock和Attention机制的分割网络(DRAU-Net),通过实验证明了 DRAU-Net网络相比于其它几种经典网络在眼底血管分割任务上具有较大的优越性,其血管分割的效果已经达到了世界领先水平并超过了专业医生的判别能力。二是利用上述提出的网络结构作为生成器设计了一种新的GAN网络(DRAGAN),利用DRAGAN在已有的二值血管分割图上生成逼真的彩色眼底图像,用生成的数据和真实数据同时训练一个DRAU-Net网络模型来增强网络的泛化能力。通过对训练好的DRAU-Net模型进行测试集上的评估,从评估指标中判别DRAU-Net的泛化能力,也间接证明了 DRAGAN生成的彩色眼底图像可以用于数据的扩增,为之后在缺乏数据的情况下提供了一个增强模型泛化能力的方法。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R770.4;TP391.41;TP18
【图文】：

图２－１眼底数据集

基于生成式对抗网络眼底图像生成与深度学习血管分割

图２－２邋（ａ）ＲＯＣ曲线

【参考文献】