基于深度卷积生成对抗网络的视盘视杯分割方法研究

发布时间：2023-12-02 10:42

　　青光眼是一种导致视力丧失且不可逆转的慢性眼病,杯盘比在青光眼的筛查和诊断中起着重要的作用,从视网膜图像中准确的分割视盘和视杯是一项基本任务。与其它眼底疾病如白内障和近视不同,青光眼造成的视力丧失无法逆转。因此,早期筛查对于早期治疗以保持视力和维持生活质量至关重要。然而,由经过培训的临床医生对视网膜图像进行的人工评估耗时且昂贵,并且不适合人群筛查。虽然目前已有一些视盘视杯自动分割方法,但大多数现有的方法存在以下问题:特征信息提取不充分,容易受到病灶区域和低分辨率图像的影响;模型的感受野小,无法准确捕获不同大小待分割区域的全局上下文信息,造成特征信息提取不充分;部分方法依赖于手工提取视觉特征,没有考虑视盘和视杯两者的关系,造成模型分割性能差等。针对以上问题,本文提出了基于生成对抗网络的多标签深度学习模型,论文研究的主要内容如下:(1)提出了一种结合生成对抗网络的多标签深度卷积神经网络模型GL-Net(Generative Learn Networks),实现了对视盘和视杯同时进行自动分割。GL-Net由生成器和判别器两个网络结构组成。训练时,生成器和判别器进行极小极大博弈与条件约束进行优化...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状分析
    1.3 本文研究内容
    1.4 论文结构安排
第2章 相关理论
    2.1 生成对抗网络
    2.2 神经网络的相关理论
        2.2.1 深度卷积神经网络
        2.2.2 扩充卷积
        2.2.3 残差模块
    2.3 视盘视杯分割评价指标
    2.4 本章小结
第3章 基于深度卷积生成对抗网络的视盘视杯分割
    3.1 GL-Net模型结构
        3.1.1 生成器网络结构
        3.1.2 判别器网络结构
        3.1.3 迁移学习
        3.1.4 对抗训练过程
    3.2 实验分析
        3.2.1 训练参数设置与数据集
        3.2.2 实验结果分析
        3.2.3 不同算法分割结果的定量分析与讨论
    3.3 本章小结
第4章 基于级联扩充卷积与密集采样的视盘视杯分割
    4.1 DR-Net模型结构
        4.1.1 级联扩充卷积
        4.1.2 尺度重构层
        4.1.3 生成器网络结构
    4.2 实验分析
        4.2.1 下采样因子
        4.2.2 不同扩充率的级联扩充卷积
        4.2.3 上采样方式
        4.2.4 不同算法分割结果的定量分析
    4.3 本章小结
结论
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果



本文编号：3869503