深度学习在眼底图像分析中的研究与应用

发布时间：2021-04-07 02:22

　　视网膜血管网络是唯一可以在体内可视化和拍照的血管系统。视网膜血管成像能够为患有特定心血管疾病和眼科疾病的患者提供临床预后信息。分割视网膜血管是监测视网膜血管网络状况的先决条件。青光眼是一种广泛的眼病,发病率高,导致视力下降。由于这种疾病的恶化是不可逆的,因此及早和及时的诊断非常重要。杯盘比（CDR）是用于诊断青光眼的最常见生物标志物之一。因此准确的分割视杯视盘及眼底血管并对其进行形态学分析具有重要的应用价值和实际意义。在分割眼底图像之前,本文首先对原始眼底图像进行预处理。包括图像的通道选择、滤波去噪、血管质量评估等。预处理之后,采用深度学习网络实现了眼底图像的血管分割、视盘分割、视杯分割。分割完成之后再对各个结构进行形态学分析。具体研究内容如下:（1）提出并验证了一种无监督的血管质量评估方案,用于预处理中的图片筛选。在进行分割任务之前,可以有效剔除对算法精确度产生不良影响的图片,同时可以为某些疾病诊断提供诊断依据。（2）提出了一种用于OD和OC联合分割的新颖框架。我们工作的主要贡献在于:为了消除不确定性,我们从传统贝叶斯神经网络（BNN）的最大似然估计（MLE）中学习,并采用新颖的框架... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

血管质量评估流程图

哈尔滨工业大学工学硕士学位论文-15-图2-2图像分区示意图针对S3进行说明：对眼底图像的各个分区求取多种特征参数，在实验阶段尝试了包括对比度、亮度以及转换到其他色彩空间的取值，验证了色彩与血管清晰度无必然联系。在此实验阶段，通过人工标注，准备了一组带有血管质量金标准的数据集来验证实验结果的准确性。进一步尝试了平均梯度A和边缘强度E，经回归分析验证，这两个特征参数与血管质量评分呈现显著的正相关性。但两者的表现又存在细微的差异。于是采用加权平均的方式来表征血管质量评分。发现当图片中的分区存在不包含血管或只包含极少量血管的分区时，评分会异常低，于是将这些区域剔除，并记录其所占比例k。边缘强度的计算：边缘强度，实质上是边缘点梯度的幅值。定义数字图像第i行第j列的x、y方向的一阶差分为：(2-1)(2-2)对数字图象的每个像素取它的梯度值：(2-3)以Th作为阈值进行判断，若G(i,j)>Th，则点(i,j)为边缘点，G(i,j)则称为梯度算

哈尔滨工业大学工学硕士学位论文-17-图2-3血管质量评估结果展示图2.6本章小结本章介绍了在做图像分割之前对眼底图像所进行的预处理过程。为了后续研究的顺利进行，我们有针对性的进行了颜色通道选取，针对血管分割，我们采取了以绿色通道为主的灰度化方式。针对视盘分割，我们选取了以红色通道为主的灰度化方式。而针对视杯分割，我们不做灰度化处理，因为色彩是视杯最主要的信息，所以我们在特征向量里保留所有色彩相关的信息。本章采用中值滤波算法对清晰度较低，噪声较大的图片进行了滤波处理，在确保信息不失真的前提下，使图片能满足后续研究的需求。本章采用经典的图像处理算法，提出了一套基于眼底照针对血管质量进行自动评估算法。该系统可有效对血管质量进行评估，且具有较快的运算速度，可帮助在临床中自动筛除过滤掉血管质量较低的眼底图片，保留血管清晰的图片为后续血管分割，视杯视盘分割等工作做好了充分准备。


本文编号：3122611