基于深度学习的视网膜眼底疾病的分类研究
发布时间：2021-05-06 08:42
视网膜眼底疾病不仅种类繁多,而且对视功能损害较大。常见的视网膜眼底疾病有年龄相关性黄斑病变（Age-related Macular Degeneration,AMD）和糖尿病性黄斑水肿（Diabetic Macular Edema,DME）。这两种疾病会损害视网膜并导致视力下降,更是老年人失明最常见的原因,因此其早期检测对后续治疗具有重要的意义。目前,临床上对于以上两种视网膜眼底疾病的诊断都依赖于专业的眼科医生,然而随着患者数量不断地增加,如此大量的诊断和筛查工作仅仅依靠少量的专业眼科医生将是一项非常艰巨的任务。基于以上存在的问题,本文将借助计算机视觉技术,采用深度学习的方法对视网膜眼底疾病进行分类诊断。视网膜眼底疾病的诊断大部分都采用眼底照相和光学相干断层扫描（Optical Coherence tomography,OCT）所获得的图像。相比于眼底照相,OCT图像具有无创、高速和高分辨率的特点,本次研究就是基于视网膜眼底疾病OCT图像的分类识别。具体的研究工作如下:（1）研究了基于经典的机器学习的OCT图像分类方法,主要分别利用支持向量机（Support Vector Machin...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1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 基于视网膜眼底疾病AMD上的分类研究
1.2.2 基于视网膜眼底疾病DME上的分类研究
1.3 主要研究内容及难点
1.4 本文的结构安排
第2章 相关理论概述
2.1 引言
2.2 眼底检测技术
2.3 OCT成像技术
2.4 经典的机器学习算法
2.4.1 KNN分类算法
2.4.2 SVM分类算法
2.5 深度学习算法
2.5.1 卷积神经网络
2.5.2 迁移学习
2.6 评价指标
2.7 小结与讨论
第3章 基于机器学习的OCT眼底图像分类
3.1 引言
3.2 数据介绍
3.2.1 OCT图像数据来源
3.2.2 数据预处理
3.3 交叉验证
3.4 基于KNN算法和SVM算法的OCT眼底图像分类
3.4.1 实验内容
3.4.2 实验结果与分析
3.5 小结与讨论
第4章 基于3D-CNN的OCT眼底图像分类
4.1 引言
4.2 基于3D-CNN的OCT眼底图像分类
4.2.1 实验内容
4.2.2 3D-CNN网络结构
4.2.3 改进后的3D-CNN网络结构
4.3 实验结果分析
4.4 小结与讨论
第5章 基于迁移学习的OCT眼底图像分类
5.1 引言
5.2 基于迁移学习的眼底图像分类算法
5.2.1 实验内容
5.2.2 迁移学习模型
5.2.3 VGG-16网络结构
5.3 实验结果和分析
5.4 小结与讨论
第6章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]Artificial intelligence on diabetic retinopathy diagnosis: an automatic classification method based on grey level co-occurrence matrix and naive Bayesian model[J]. Kai Cao,Jie Xu,Wei-Qi Zhao. International Journal of Ophthalmology. 2019(07)
[2]糖尿病黄斑水肿的综合研究进展[J]. 杨晓静,徐惠,格日勒. 中国民族医药杂志. 2019(05)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]医学图像分析的现状与展望[J]. 陈武凡,秦安,江少峰,冯前进,郝立巍. 中国生物医学工程学报. 2008(02)
[6]老年黄斑变性43例光学相干断层扫描分析[J]. 汤洋,唐罗生. 国际眼科杂志. 2007(01)
本文编号：3171625
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1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 基于视网膜眼底疾病AMD上的分类研究
1.2.2 基于视网膜眼底疾病DME上的分类研究
1.3 主要研究内容及难点
1.4 本文的结构安排
第2章 相关理论概述
2.1 引言
2.2 眼底检测技术
2.3 OCT成像技术
2.4 经典的机器学习算法
2.4.1 KNN分类算法
2.4.2 SVM分类算法
2.5 深度学习算法
2.5.1 卷积神经网络
2.5.2 迁移学习
2.6 评价指标
2.7 小结与讨论
第3章 基于机器学习的OCT眼底图像分类
3.1 引言
3.2 数据介绍
3.2.1 OCT图像数据来源
3.2.2 数据预处理
3.3 交叉验证
3.4 基于KNN算法和SVM算法的OCT眼底图像分类
3.4.1 实验内容
3.4.2 实验结果与分析
3.5 小结与讨论
第4章 基于3D-CNN的OCT眼底图像分类
4.1 引言
4.2 基于3D-CNN的OCT眼底图像分类
4.2.1 实验内容
4.2.2 3D-CNN网络结构
4.2.3 改进后的3D-CNN网络结构
4.3 实验结果分析
4.4 小结与讨论
第5章 基于迁移学习的OCT眼底图像分类
5.1 引言
5.2 基于迁移学习的眼底图像分类算法
5.2.1 实验内容
5.2.2 迁移学习模型
5.2.3 VGG-16网络结构
5.3 实验结果和分析
5.4 小结与讨论
第6章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]Artificial intelligence on diabetic retinopathy diagnosis: an automatic classification method based on grey level co-occurrence matrix and naive Bayesian model[J]. Kai Cao,Jie Xu,Wei-Qi Zhao. International Journal of Ophthalmology. 2019(07)
[2]糖尿病黄斑水肿的综合研究进展[J]. 杨晓静,徐惠,格日勒. 中国民族医药杂志. 2019(05)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]医学图像分析的现状与展望[J]. 陈武凡,秦安,江少峰,冯前进,郝立巍. 中国生物医学工程学报. 2008(02)
[6]老年黄斑变性43例光学相干断层扫描分析[J]. 汤洋,唐罗生. 国际眼科杂志. 2007(01)
本文编号：3171625
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3171625.html
