基于深度学习的糖尿病视网膜病变图像中渗出物的检测方法研究
发布时间：2021-05-15 18:11
糖尿病视网膜病变检测是利用医学图像处理技术检测眼底图像中是否存在病变,然后标注出病变的位置。通过使用深度学习技术,对糖尿病视网膜病变图像中硬渗出物进行智能化诊断和分析,为糖尿病的早期诊断提供依据,这能够降低医疗成本,分担医生的压力,并提高诊断的准确性。本文在分析国内外相关工作成果的基础上,分别实现了基于主成分分析网络和基于U-Net的硬渗出物检测方法,并在e-ophtha EX公共数据库上能够实现像素级精度的检测。本文的主要工作如下:1)实现了硬渗出物候选区域的提取方法。因为硬渗出物和视盘具有一定的相似性,所以需要先根据先验证知识对非眼底部分、主血管、视盘等位置进行排除。因此,先进行主血管提取,然后根据主血管的映射特点定位视盘,最后得到硬渗出物的候选区域。2)在获得了硬渗出物候选区域的基础上,实现了基于主成分分析网络的硬渗出物检测方法。本文将主成分分析网络从识别领域拓展到检测和分割领域,通过主成分分析将检测像素点及其邻域映射到该点检测值,实现硬渗出物检测。本文通过基于标记图的随机采样解决了图像中硬渗出物所占比例小带来的样本分布不均衡问题,还使用压缩感知改善了原主成分分析网络中存在的维数...
【文章来源】：武汉工程大学湖北省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 硬渗出物检测研究现状
1.2.2 深度学习在医学图像处理中研究现状
1.3 本文的研究内容
1.4 论文章节安排
第2章 深度学习及其相关技术
2.1 卷积神经网络
2.2 主成分分析网络
2.3 语义分割网络
2.4 本章小结
第3章 硬渗出物候选区域的提取方法
3.1 硬渗出物检测的整体流程
3.2 主血管的提取
3.3 确定视盘中心
3.4 本章小结
第4章 基于改进的主成分分析网络的硬渗出物检测方法
4.1 方法概述
4.2 改进的主成分分析网络模型
4.2.1 网络整体结构
4.2.2 第一阶段
4.2.3 第二阶段
4.2.4 输出层
4.3 实验与分析
4.3.1 实验数据库
4.3.2 评价标准
4.3.3 网络结构和参数测试
4.3.4 方法效果与对比分析
4.4 本章小结
第5章 基于U-Net的硬渗出物检测方法
5.1 方法概述
5.2 网络模型
5.2.1 预处理和训练集采样
5.2.2 池化与上采样结构
5.2.3 多卷积结构
5.2.4 学习率和损失函数
5.3 实验及分析
5.3.1 网络结构和参数测试
5.3.2 方法效果与对比分析
5.4 本章小结
第6章 总结与展望
参考文献
攻读硕士期间已发表的论文
致谢
【参考文献】：
期刊论文
[1]基于多尺度区域块的糖尿病性视网膜病变级联检测[J]. 马文婷,赵耀,韦世奎,张诗吟,廖理心. 北京交通大学学报. 2017(06)
[2]人工智能在神经医学中的应用综述[J]. 李诗语,王峰,曹彬,梅琪. 计算机科学. 2017(S2)
[3]基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法[J]. 高玮玮,沈建新,程武山,王明红,左晶. 北京生物医学工程. 2017(04)
[4]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升. 生物医学工程学杂志. 2017(02)
[5]自适应脉冲耦合神经网络与匹配滤波器相结合的视网膜血管分割[J]. 徐光柱,张柳,邹耀斌,夏平,雷帮军. 光学精密工程. 2017(03)
[6]基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 张娟,蒋芸,胡学伟,肖吉泽. 计算机工程与科学. 2017(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]彩色眼底图像糖网渗出物的自动检测[J]. 吕卫,翟庆伟,褚晶辉,李喆. 光电工程. 2016(12)
[9]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[10]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
博士论文
[1]眼底图像分割算法及应用研究[D]. 高玮玮.南京航空航天大学 2013
硕士论文
[1]基于深度学习的眼底图像血管分割方法研究[D]. 谢林培.深圳大学 2017
[2]基于深度学习的糖尿病性视网膜图像分析算法研究[D]. 丁蓬莉.北京交通大学 2017
[3]眼底视网膜结构检测方法的研究[D]. 何计敏.吉林大学 2016
[4]糖尿病视网膜病变图像的血管提取方法研究[D]. 单玲玉.武汉工程大学 2015
[5]基于深度置信网络的脑血管病风险预警研究[D]. 杨星.北京交通大学 2016
本文编号：3188107
【文章来源】：武汉工程大学湖北省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 硬渗出物检测研究现状
1.2.2 深度学习在医学图像处理中研究现状
1.3 本文的研究内容
1.4 论文章节安排
第2章 深度学习及其相关技术
2.1 卷积神经网络
2.2 主成分分析网络
2.3 语义分割网络
2.4 本章小结
第3章 硬渗出物候选区域的提取方法
3.1 硬渗出物检测的整体流程
3.2 主血管的提取
3.3 确定视盘中心
3.4 本章小结
第4章 基于改进的主成分分析网络的硬渗出物检测方法
4.1 方法概述
4.2 改进的主成分分析网络模型
4.2.1 网络整体结构
4.2.2 第一阶段
4.2.3 第二阶段
4.2.4 输出层
4.3 实验与分析
4.3.1 实验数据库
4.3.2 评价标准
4.3.3 网络结构和参数测试
4.3.4 方法效果与对比分析
4.4 本章小结
第5章 基于U-Net的硬渗出物检测方法
5.1 方法概述
5.2 网络模型
5.2.1 预处理和训练集采样
5.2.2 池化与上采样结构
5.2.3 多卷积结构
5.2.4 学习率和损失函数
5.3 实验及分析
5.3.1 网络结构和参数测试
5.3.2 方法效果与对比分析
5.4 本章小结
第6章 总结与展望
参考文献
攻读硕士期间已发表的论文
致谢
【参考文献】：
期刊论文
[1]基于多尺度区域块的糖尿病性视网膜病变级联检测[J]. 马文婷,赵耀,韦世奎,张诗吟,廖理心. 北京交通大学学报. 2017(06)
[2]人工智能在神经医学中的应用综述[J]. 李诗语,王峰,曹彬,梅琪. 计算机科学. 2017(S2)
[3]基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法[J]. 高玮玮,沈建新,程武山,王明红,左晶. 北京生物医学工程. 2017(04)
[4]基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J]. 陈诗慧,刘维湘,秦璟,陈亮亮,宾果,周煜翔,汪天富,黄炳升. 生物医学工程学杂志. 2017(02)
[5]自适应脉冲耦合神经网络与匹配滤波器相结合的视网膜血管分割[J]. 徐光柱,张柳,邹耀斌,夏平,雷帮军. 光学精密工程. 2017(03)
[6]基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 张娟,蒋芸,胡学伟,肖吉泽. 计算机工程与科学. 2017(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]彩色眼底图像糖网渗出物的自动检测[J]. 吕卫,翟庆伟,褚晶辉,李喆. 光电工程. 2016(12)
[9]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[10]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
博士论文
[1]眼底图像分割算法及应用研究[D]. 高玮玮.南京航空航天大学 2013
硕士论文
[1]基于深度学习的眼底图像血管分割方法研究[D]. 谢林培.深圳大学 2017
[2]基于深度学习的糖尿病性视网膜图像分析算法研究[D]. 丁蓬莉.北京交通大学 2017
[3]眼底视网膜结构检测方法的研究[D]. 何计敏.吉林大学 2016
[4]糖尿病视网膜病变图像的血管提取方法研究[D]. 单玲玉.武汉工程大学 2015
[5]基于深度置信网络的脑血管病风险预警研究[D]. 杨星.北京交通大学 2016
本文编号：3188107
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3188107.html
