基于卷积神经网络的彩色眼底图像血管分割与糖尿病视网膜病变检测的研究
发布时间：2021-06-05 22:32
眼睛是心灵的窗户也是人体感知外界环境的关键器官之一,而视网膜是眼睛器官的核心组成部分,它的健康状况直接影响着人体的视力水平。在现有视网膜损伤患者中,由糖尿病引发的视网膜病变占到了相当大的一部分,特别是在中老年群体中,成为了首要的视力损伤原因;同时,人体的部分疾病会在身体的血液循环系统中或多或少的反应出来,而眼底视网膜图像能够直接观察毛细血管的健康状态,及时发现身体的异常状态。因此,针对视网膜眼底图像展开相关研究,不仅可以为糖尿病患者的视网膜病变治疗提供帮助,还能为其他相关疾病的早发现、早治疗提供具有重要意义的科学诊断依据。本论文以彩色视网膜眼底图像为研究对象,针对血管图像分割方法和视网膜病变检测理论展开研究,在现有医学图像处理方法的基础上,引入卷积神经网络分析理论,尝试设计并建立适用性较好的图像网络分析模型,有效的提高基于眼底图像的血管分割精确度和糖尿病视网膜病变的检测效率。本文的具体研究内容如下:1、设计了一种集成残差U型分割网络（ERU-Net）针对当前彩色视网膜眼底图像血管分割技术精度低、速度慢等局限,本文设计了一种集成残差U型分割网络,在提高眼底图像分割精度和速度上取得了较好的...
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２．?２步长为１的反卷积过程??
经网络理论基础???田田??邏？?？??输入圈像?均值：池化最大值池化??围２．?３均值池化与暈大值池化??４）激活函数层??在未引入激活函数时，神经网络的每—雇都是其输入的线性函数，无论搭建多少层的网??络层都是其输入的线性组合，也就是最初的感知机。因此需要引入激活函数增加网络的非线??性，以表征复杂的特征和拥有遛近任何函数的能力。非线性与可微性是激活函数的两个必须??条件，其可微是保班梯度优化求导韵关键ｓ常见的激活函数有Ｓｉｇｍｏｉｄ、Ｔａｎｈ和ＲｅＬＵ三??种，如图２．４所示Ｓｉｇｍｏｉｄ函数图像％?Ｔａｎｈ函数图像的对称点分别在（０，０．５）与（０，０），两??个函数图像在两端都趋于饱满。ＲｅＬＵ函数图像在大于０的时候保持原值，在小于０时为０，??有效解决了适区闻的梯度消失问题，极大减少了运算肘间。???ＲｅＬＵ?１０．０?■???Ｓｉｇｍｏｉｄ?ｖ〇＇?—?Ｔａｎｈ?ｌ．ｏｏ?■?广??７５．?ｆ?０．７５－?／??５．０－?／?０．５０－?／??２．５?Ｉ?０．２５?■?Ｉ??—１?１?１?＿?０－０?—￣．?．?１——?０．５／?—＇?１?１?ｒ－＊９８－｜?１?．?．???－１０．０?－７，５?－５．０?－２．５?０?０?２．５?５．０?７．５?／?－１０．０?－７．５?－５．ＣＩ?－２．Ｓ?穸?２．５?５．０?７．５?１??－２．５?／?－０．２５－??－５．０?／?々十??－７．５?Ｊ?ｙ５??－－１?＾—ｒ＾ｌ—ｉ—????（ａ）?ＲｅＬＵ?函数?（ｂ）?Ｓｉｇｍｏｉｄ?函数?（ｃ）?Ｔａｎｈ?函数??
??较分析，在加深了层数之后准确率有了明显的提高。何凯明等人［３９］发现，一味的增加网络深??度，虽然在准确率上有一定的提升，但是增加到一定程度后会出现梯度消失、网络收敛困难、??过拟合等问题。针对这些问题，他们借助了计算机视觉领域常用的残差表征（Ｒｅｓｉｄｕａｌ??ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）的概念提出了ｆ种残盡模块．，进而构建残差：网络（ＲｅｓＮｅｔ）。通过这个残義權??块，可以通过不断加深网络深度提升网络的准确率。并且在２０１５年ＩＬＳＶＲ２０１５图像识别比??赛中取得冠军。图２．５展示了残差模块，可以用公式表示为；??ｙ?＝?ｆ（ｘ＊ｗ＋ｂ）＋ｘ?（２．３）??其中ｘ是网络层的输入特征图，ｙ是网络层的输出特征图，ｆ（〇为参数层，ｗ表苯网络层的权??釐，ｂ表示网络层偏賃貴表示卷积操作。残差连接在未增加网路参数的情况下，通过恒等??映射在输入与输出之Ｍ建立了一条直接关联的通道，从而使参数层将注意力转向学习输入、??输出之间的残差关系，这样能保证网络不会出现退化现象。而一般的卷积神经网络如ＶＧＧ通??过输入数据ｘ拟合参数层ｆ（〇，这样很难形成恒等映射。??ｆ（ｘ）?ＲｅＬＵ?Ｉ?ｘ??Ｃｏｎｖ?ｊ??ｆ（ｘ）＋ｘ??Ｙ?ＲｅＬＵ??ｙ會??图２．５?ＲｅｓＮｅｔ残差模块??２．２．２?ＤｅｎｓｅＮｅｔ??Ｈｕａｎｇ等人＿的研究表明，卷积神经网络在相近输入和相近输出的层之间进行连接，能??让网络加深下去，并且网络的准确性得到明显提高。基于这个发现，他们基于前馈的方式将??每个层的输出与后面所有层的输入进行密集的连接，从而提出了一种密集卷积网络??（ＤｅｎｓｅＮｅｔ）。密集连接模块如图２．６所示，对于每一
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[2]视力损害的流行病学研究[J]. 美丽巴努·玉素甫,陈雪艺. 国际眼科杂志. 2010(02)
本文编号：3213042
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２．?２步长为１的反卷积过程??
经网络理论基础???田田??邏？?？??输入圈像?均值：池化最大值池化??围２．?３均值池化与暈大值池化??４）激活函数层??在未引入激活函数时，神经网络的每—雇都是其输入的线性函数，无论搭建多少层的网??络层都是其输入的线性组合，也就是最初的感知机。因此需要引入激活函数增加网络的非线??性，以表征复杂的特征和拥有遛近任何函数的能力。非线性与可微性是激活函数的两个必须??条件，其可微是保班梯度优化求导韵关键ｓ常见的激活函数有Ｓｉｇｍｏｉｄ、Ｔａｎｈ和ＲｅＬＵ三??种，如图２．４所示Ｓｉｇｍｏｉｄ函数图像％?Ｔａｎｈ函数图像的对称点分别在（０，０．５）与（０，０），两??个函数图像在两端都趋于饱满。ＲｅＬＵ函数图像在大于０的时候保持原值，在小于０时为０，??有效解决了适区闻的梯度消失问题，极大减少了运算肘间。???ＲｅＬＵ?１０．０?■???Ｓｉｇｍｏｉｄ?ｖ〇＇?—?Ｔａｎｈ?ｌ．ｏｏ?■?广??７５．?ｆ?０．７５－?／??５．０－?／?０．５０－?／??２．５?Ｉ?０．２５?■?Ｉ??—１?１?１?＿?０－０?—￣．?．?１——?０．５／?—＇?１?１?ｒ－＊９８－｜?１?．?．???－１０．０?－７，５?－５．０?－２．５?０?０?２．５?５．０?７．５?／?－１０．０?－７．５?－５．ＣＩ?－２．Ｓ?穸?２．５?５．０?７．５?１??－２．５?／?－０．２５－??－５．０?／?々十??－７．５?Ｊ?ｙ５??－－１?＾—ｒ＾ｌ—ｉ—????（ａ）?ＲｅＬＵ?函数?（ｂ）?Ｓｉｇｍｏｉｄ?函数?（ｃ）?Ｔａｎｈ?函数??
??较分析，在加深了层数之后准确率有了明显的提高。何凯明等人［３９］发现，一味的增加网络深??度，虽然在准确率上有一定的提升，但是增加到一定程度后会出现梯度消失、网络收敛困难、??过拟合等问题。针对这些问题，他们借助了计算机视觉领域常用的残差表征（Ｒｅｓｉｄｕａｌ??ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）的概念提出了ｆ种残盡模块．，进而构建残差：网络（ＲｅｓＮｅｔ）。通过这个残義權??块，可以通过不断加深网络深度提升网络的准确率。并且在２０１５年ＩＬＳＶＲ２０１５图像识别比??赛中取得冠军。图２．５展示了残差模块，可以用公式表示为；??ｙ?＝?ｆ（ｘ＊ｗ＋ｂ）＋ｘ?（２．３）??其中ｘ是网络层的输入特征图，ｙ是网络层的输出特征图，ｆ（〇为参数层，ｗ表苯网络层的权??釐，ｂ表示网络层偏賃貴表示卷积操作。残差连接在未增加网路参数的情况下，通过恒等??映射在输入与输出之Ｍ建立了一条直接关联的通道，从而使参数层将注意力转向学习输入、??输出之间的残差关系，这样能保证网络不会出现退化现象。而一般的卷积神经网络如ＶＧＧ通??过输入数据ｘ拟合参数层ｆ（〇，这样很难形成恒等映射。??ｆ（ｘ）?ＲｅＬＵ?Ｉ?ｘ??Ｃｏｎｖ?ｊ??ｆ（ｘ）＋ｘ??Ｙ?ＲｅＬＵ??ｙ會??图２．５?ＲｅｓＮｅｔ残差模块??２．２．２?ＤｅｎｓｅＮｅｔ??Ｈｕａｎｇ等人＿的研究表明，卷积神经网络在相近输入和相近输出的层之间进行连接，能??让网络加深下去，并且网络的准确性得到明显提高。基于这个发现，他们基于前馈的方式将??每个层的输出与后面所有层的输入进行密集的连接，从而提出了一种密集卷积网络??（ＤｅｎｓｅＮｅｔ）。密集连接模块如图２．６所示，对于每一
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[2]视力损害的流行病学研究[J]. 美丽巴努·玉素甫,陈雪艺. 国际眼科杂志. 2010(02)
本文编号：3213042
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3213042.html
