基于深度学习的眼底视网膜图像多疾病分类研究
发布时间：2021-07-31 16:39
在非先天性视力残疾案例中,眼底疾病是构成视力缺损的主要原因。而糖尿病视网膜病变、青光眼、白内障、高度近视、年龄相关性黄斑病变以及高血压等疾病通常是眼底病变的导火索。如果能够及时发现、及时治疗,那么将降低患者致盲风险,全国视力残疾患者增长率也将得到良好控制。随着深度学习技术热潮的涌起,计算机技术与实际应用结合越来越紧密,同样也逐渐在医疗领域崭露头角。然而深度学习在眼科疾病筛查中的应用,大多都是针对单种疾病,对于多种疾病的综合诊断研究,仍然较为匮乏,包括可用数据库及可参考方法都较难获得。且常规体检应以全面筛查为目的,对体检者健康状况给出综合评估报告。因此目前研究成果并不能满足体检项目中眼底疾病全面性筛查需求。基于此目的,本文提出了一种基于深度学习的多疾病分类方法,并给出了一个完整的眼底视网膜图像辅助诊断解决方案。首先,对数据归一化,剪裁掉多余的背景,并利用直方图均衡化解决光照不均匀问题,然后对少样本进行数据增强及扩充来解决样本不平衡;随后将Resnet50作为主干网络,并且利用多任务学习来解决多标签分类问题,并根据左右眼的相关性对左右眼图像进行拼接,融合左右眼特征,从而提高模型的精度;由于...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
OCT扫描图像
杭州电子科技大学硕士学位论文3获取眼底信息的方式主要分为以下几种：荧光素眼底血管造影（FundusFluoresceinAngiography，FFA）、光学相干断层扫描（OpticalCoherenceTomography，OCT）、眼底照相、眼科B超等。目前OCT和眼底照相使用最为频繁，OCT图像如图1.1所示[31]，利用该技术可以对组织内部结构与形态进行二维成像和三维可视化，其具有高分辨率、高灵敏度等特点，目前已经成为青光眼等眼底疾病诊断的“金标准”[32]。然而，利用OCT图像进行检查对医生经验水平要求较高，且诊断每位患者花费时间较长。眼底照相技术具有操作简单、成像效果直观、结果易于分析等优势，如图1.2所示，其富含有丰富的血管信息。本文采用的是通过眼底照相技术获得的彩色眼底图像。图1.1OCT扫描图像图1.2眼底视网膜彩图1.2.2基于深度学习的图像处理方法发展现状深度学习（DeepLearning）是近几年流行起来的一种计算机技术，已帮助解决了生活中的不少难题。它是机器学习（MachineLearning）学科中的一种方法，机器学习是一门解决问题以及研究如何使用数据来有效学习和获取函数具体参数的学科。深度学习在图像识别中的应用主要在于利用卷积神经网络（ConvolutionNeuralNetwork，CNN）进行特征的学习，而不需要人工进行特征的设计，这里的深度通常是指网络是由非常多的层组成，这些层包括卷积层和全连接层。深度学习技术目前在图像识别以
杭州电子科技大学硕士学位论文9特征，使得模型能够逼近任意函数。图2.1神经元模型=&"""()"+(2.1)=.&"""()"+/(2.2)人工神经网络慢慢发展为一种包含一个输入层、多个隐含层和一个输出层的多层前馈神经网络，结构如图2.1所示。但是随着人工神经网络的不断发展，应用范围不断被拓宽，局限性也慢慢表现出来。在前馈神经网络中，每相邻两层之间的每个神经元都是有边相连的，并通过矩阵乘法计算边的权重。因此，如果前一层有m个神经元，后一层有n个神经元，那么这两层之间将会有参数量params=m×n+n需要被计算。当遇到复杂问题时候，增加隐含层层数，同时增加每层神经元的数量，最终参数量会十分巨大。对于宝贵且有限的计算空间而言，这一点无疑是致命的，它限制了神经网络在深度或是宽度方面的发展，也导致在一些较为复杂的问题中无法取得较好的效果，如图像识别自然语言处理。图2.2多层前馈神经网络在ANN基础上，使用卷积计算代替一般矩阵乘法运算来处理具有类似网格结构的数据方法应运而生，其中图像就可以被认为是由像素块排列组成的网格数据。分类模型的训练与优化是利用监督学习（supervisedlearning）方法进行训练，其
【参考文献】：
期刊论文
[1]《2018年我国卫生健康事业发展统计公报》出炉[J]. 李芮. 中医药管理杂志. 2019(10)
[2]盲人器乐教育分析研究——以南京盲校为例[J]. 周圆. 北方音乐. 2018(12)
[3]青少年近视防控与人才培养[J]. 曾骏文. 中国眼镜科技杂志. 2017(15)
[4]高度近视已成45～59岁人群失明第一主因[J]. 中国眼镜科技杂志. 2016(20)
[5]黄斑地图状萎缩的治疗进展[J]. 陈丽华. 海南医学. 2016(01)
[6]重视视网膜血管异常性疾病与慢性肾脏病的整合医学研究[J]. 黄雯. 中华眼科医学杂志(电子版). 2015(06)
[7]我国高血压管理的初步效果、问题及对策[J]. 王文. 医学研究杂志. 2014(09)
[8]中国残联发布我国最新残疾人口数据[J]. 赵燕潮. 残疾人研究. 2012(01)
[9]胰岛素抵抗与血管内皮功能障碍[J]. 赵良平,吕安康,张奇. 国际心血管病杂志. 2009(01)
[10]原发性高血压视网膜血管改变5年动态观察[J]. 张庆华. 山东医学高等专科学校学报. 2006(05)
硕士论文
[1]基于C扫描图的视盘OCT图像运动伪差校正算法的研究[D]. 高振玉.北京协和医学院 2016
本文编号：3313817
【文章来源】：杭州电子科技大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
OCT扫描图像
杭州电子科技大学硕士学位论文3获取眼底信息的方式主要分为以下几种：荧光素眼底血管造影（FundusFluoresceinAngiography，FFA）、光学相干断层扫描（OpticalCoherenceTomography，OCT）、眼底照相、眼科B超等。目前OCT和眼底照相使用最为频繁，OCT图像如图1.1所示[31]，利用该技术可以对组织内部结构与形态进行二维成像和三维可视化，其具有高分辨率、高灵敏度等特点，目前已经成为青光眼等眼底疾病诊断的“金标准”[32]。然而，利用OCT图像进行检查对医生经验水平要求较高，且诊断每位患者花费时间较长。眼底照相技术具有操作简单、成像效果直观、结果易于分析等优势，如图1.2所示，其富含有丰富的血管信息。本文采用的是通过眼底照相技术获得的彩色眼底图像。图1.1OCT扫描图像图1.2眼底视网膜彩图1.2.2基于深度学习的图像处理方法发展现状深度学习（DeepLearning）是近几年流行起来的一种计算机技术，已帮助解决了生活中的不少难题。它是机器学习（MachineLearning）学科中的一种方法，机器学习是一门解决问题以及研究如何使用数据来有效学习和获取函数具体参数的学科。深度学习在图像识别中的应用主要在于利用卷积神经网络（ConvolutionNeuralNetwork，CNN）进行特征的学习，而不需要人工进行特征的设计，这里的深度通常是指网络是由非常多的层组成，这些层包括卷积层和全连接层。深度学习技术目前在图像识别以
杭州电子科技大学硕士学位论文9特征，使得模型能够逼近任意函数。图2.1神经元模型=&"""()"+(2.1)=.&"""()"+/(2.2)人工神经网络慢慢发展为一种包含一个输入层、多个隐含层和一个输出层的多层前馈神经网络，结构如图2.1所示。但是随着人工神经网络的不断发展，应用范围不断被拓宽，局限性也慢慢表现出来。在前馈神经网络中，每相邻两层之间的每个神经元都是有边相连的，并通过矩阵乘法计算边的权重。因此，如果前一层有m个神经元，后一层有n个神经元，那么这两层之间将会有参数量params=m×n+n需要被计算。当遇到复杂问题时候，增加隐含层层数，同时增加每层神经元的数量，最终参数量会十分巨大。对于宝贵且有限的计算空间而言，这一点无疑是致命的，它限制了神经网络在深度或是宽度方面的发展，也导致在一些较为复杂的问题中无法取得较好的效果，如图像识别自然语言处理。图2.2多层前馈神经网络在ANN基础上，使用卷积计算代替一般矩阵乘法运算来处理具有类似网格结构的数据方法应运而生，其中图像就可以被认为是由像素块排列组成的网格数据。分类模型的训练与优化是利用监督学习（supervisedlearning）方法进行训练，其
【参考文献】：
期刊论文
[1]《2018年我国卫生健康事业发展统计公报》出炉[J]. 李芮. 中医药管理杂志. 2019(10)
[2]盲人器乐教育分析研究——以南京盲校为例[J]. 周圆. 北方音乐. 2018(12)
[3]青少年近视防控与人才培养[J]. 曾骏文. 中国眼镜科技杂志. 2017(15)
[4]高度近视已成45～59岁人群失明第一主因[J]. 中国眼镜科技杂志. 2016(20)
[5]黄斑地图状萎缩的治疗进展[J]. 陈丽华. 海南医学. 2016(01)
[6]重视视网膜血管异常性疾病与慢性肾脏病的整合医学研究[J]. 黄雯. 中华眼科医学杂志(电子版). 2015(06)
[7]我国高血压管理的初步效果、问题及对策[J]. 王文. 医学研究杂志. 2014(09)
[8]中国残联发布我国最新残疾人口数据[J]. 赵燕潮. 残疾人研究. 2012(01)
[9]胰岛素抵抗与血管内皮功能障碍[J]. 赵良平,吕安康,张奇. 国际心血管病杂志. 2009(01)
[10]原发性高血压视网膜血管改变5年动态观察[J]. 张庆华. 山东医学高等专科学校学报. 2006(05)
硕士论文
[1]基于C扫描图的视盘OCT图像运动伪差校正算法的研究[D]. 高振玉.北京协和医学院 2016
本文编号：3313817
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3313817.html
