基于多特征融合的糖尿病视网膜病情评估

发布时间：2020-11-02 01:55

　　 糖尿病性视网膜病变是一种具有特异性改变的眼底病变,它主要是由糖尿病引起视网膜血管壁受损而导致视网膜出现微动脉瘤、出血点等病灶,是由糖尿病引起的严重并发症之一。糖尿病性视网膜病变是糖尿病患者视力丧失的主要原因。当前,随着生活方式的改变,糖尿病患者快速增多,随之造成糖尿病性视网膜病变患者也越来越多,导致大量工作人群致盲。糖尿病性视网膜病变一般分为两个主要时期:非增生性视网膜病变时期与增生性视网膜病变时期。如果患者能在非增生性病变时期得到及时的诊断和治疗,就能大大降低致盲的概率。目前,眼科医生主要利用彩色眼底相机来采集眼底图像,并通过观察眼底图像中出现的异常病灶进行诊断。然而,由于眼底上可能出现病变的种类多样、形态不一,对医生的专业水平要求较高,从而导致专业眼科医生的数量远远不能满足患者的就诊需求。因此,利用技术手段提高糖网病变的诊断效率至关重要。本文拟基于机器学习和图像分析理论与技术,研究糖尿病性视网膜病变自动化诊断技术,主要研究成果如下:(1)筛选并改进了现有基础深度神经网络架构,使之适应糖网病变筛查。另外,针对糖网病变标注图像较少这一问题,本文基于迁移学习原理,结合其它领域图像数据集和眼底图像数据集,训练得到基础分类模型。(2)提出了一种基于多特征融合的眼底图像病情评估学习方法。根据眼底图像的特点以及数据集的分布特性,从同一位患者的左右眼图像中来提取特征并进行融合,从而提高诊断正确率。另外,为了提高模型的泛化能力、提高单张图像的分类准确性,本文进一步为单张图像做不同的变换,从而生成多种不同的特征并进行融合。实验结果显示,本文的方法显著提升了眼底图像病情诊断的正确率。(3)提出了一种基于注意力机制的眼底图像病情评估学习算法。在现有的分类网络中引入了注意力机制,通过对不同区域增加不同权值,使得在网络中使得有助于分类的特征被强化,而对分类无帮助的特征被弱化,从而实现对网络分类性能的提升,并且可以对图像中的较为明显病变区域进行可视化。实验结果显示,在基础分类网络中加入注意力机制有助于提高分类精度,而且通过注意力机制的可视化图像可辅助确定病变位置。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R587.2;R774.1;TP391.41;TP181
【部分图文】：

造成不可逆的永久性创伤。因此，对糖尿病视网膜眼底病变进行及时准确快速的疾??病分期非常重要。目前，对该疾病进行诊断的主要方法是眼科医生通过观察眼底相??机获取的高分辨率眼底图像给出判断。如图１－１所示，患病的图像中可能会出现微??动脉瘤、出血点、渗出物和新生血管等不同形态的病变。??■??图１－１正常图像与患病图像??Ｆｉｇ．?１－１?Ｎｏｒｍａｌ?ａｎｄ?ｄｉｓｅａｓｅｄ?ｉｍａｇｅｓ??目前，患者的数量己经远远超过医生的诊断能力范围，所以，利用计算机辅助??诊断技术己成为医学研究的热点之一。鉴于当前深度学习技术在图像处理领域所??展现的强大分析能力，大量的研宄人员己经将深度学习引入得到了医学图像处理??领域，比如肺结节检测［｜］，乳腺癌病变筛查［２］等疾病的辅助诊断。??Ｉ??

图１－２正常的眼底图像??Ｆｉｇ．?１－２?Ｎｏｒｍａｌ?ｆｕｎｄｕｓ?ｉｍａｇｅ??上图１－２是眼底相机拍摄视网膜得到的一张正常的眼底图像，在图像中可以看??到视网膜中的组织结构，包括的主要结构有：??（１）

糖尿病会损害视网膜中的毛细血管，血管破裂后，泄露的血液会损伤视网膜，??导致产生一些病变，一般包括微动脉瘤、出血点、软渗出、硬渗出和新生血管。如??下图１－３所示，是视网膜中会出现的五种不同的病变：??ＭＢ??ａ）微动脉瘤?ｂ）出血点?ｃ）硬渗出??ａ）?ｍｉｃｒｏａｎｅｕｒｙｓｍ?ｂ）?ｈｅｍｏｒｒｈａｇｅ?ｃ）?ｈａｒｄ?ｅｘｕｄａｔｉｏｎ??■?■??ｄ）软渗出?ｅ）新生血管??ｄ）?ｓｏｆｔ?ｅｘｕｄａｔｉｏｎ?ｅ）ｂｌｏｏｄ?ｖｅｓｓｅｌ??图１－３五种不同的病变??Ｆｉｇ．?１－３?Ｆｉｖｅ?ｄｉｆｆｅｒｅｎｔ?ｌｅｓｉｏｎｓ??医生根据视网膜中出现的病灶数量和类型，确定视网膜病变的严重程度，按照??病变严重程度把患病眼底图像分为以下四类，包含的具体病灶如下图１－４所示：??（１）
【参考文献】

相关硕士学位论文 前1条

1 马文俊;基于机器学习的糖尿病视网膜病变分级研究[D];哈尔滨工程大学;2017年

本文编号：2866406