基于深度学习的血管图像分割算法研究

发布时间：2020-07-06 16:11

【摘要】：血管是人体重要的组织器官,其形态状况与很多潜在的人体疾病有着密切的关联。血管图像可以为很多疾病的诊断提供帮助,其分割是医学影像学分析、研究与诊断的重要步骤。基于深度学习和卷积神经网络的血管分割算法具有非常优秀的图像特征提取性能,在血管图像分割中取得重要的突破,分割精度和性能远远超过传统算法。本文围绕深度卷积神经网络与图像处理技术,对血管图像分割算法展开研究。首先研究了血管图像的特性,提出了用于增强血管图像的预处理算法。其次,本文设计了两种分割单元,卷积分割单元和反卷积分割单元:卷积单元利用多层卷积提取不同层次的血管与背景特征,反卷积单元则充分结合了卷积的特征提取能力和反卷积的特征分解与学习能力。之后,基于两种分割单元,本文分别设计了两种分割模型CNet模型和CDNet模型,CNet利用卷积操作提取和学习了血管和背景的特征表达,CDNet则是卷积与反卷积的结合,对图像特征进行了提取、分解和学习,丰富了血管图像的中层特征的表达。两种模型都采用了U形结构和残差设计,保证了高层特征的全局信息与低层特征的局部信息的结合,提高模型对血管图像的分割精度。最后,本文对设计的两种模型进行了基于图像块和基于端到端两种分割模式的实验,实验结果证明,本文提出的两种模型与目前已有的算法相比,其分割性能更加精确。在DRIVE、STARE和CHASEDB三个血管数据集上,两种模型的AUC分数(DRIVE上≥0.983,STARE上≥0.9939,CHASEDB上≥0.9811)、准确率(DRIVE上≥0.962,STARE上≥0.9721,CHASEDB上≥0.9558)、灵敏度(DRIVE上≥0.7675,STARE上≥0.8765,CHASEDB上≥0.7484)、特异度(DRIVE上≥0.9852,STARE上≥0.9772,CHASEDB上≥0.9647)都超越了目前已有的分割算法,其中基于端到端的两种分割算法不仅在性能上超越了其它算法,在运行时间上也大大超越了基于图像块的算法。本文从不同方向研究并设计了两种不同的血管分割模型,其分割性能非常精确,运行高效,应用方便,在血管图像分割领域中有着非常重要的研究价值和应用价值。
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445;TP18;TP391.41
【图文】：

数据集信息,数据集,训练集,测试集

表 1-1 三个血管图像数据集信息数据集数量尺寸DRIVE 40 565×584STARE 20 700×605CHASEDB 28 999 × 960

曲线,曲线,指标,程度

（False Negatives, FN）指标签是血管像素，算法输出却为非（False Positives, FP）指标签是非血管像素，算法输出却为血四种量化指标，可以计算三个常用指标：准确率（Accuracyity, SEN）、特异度（Specificity, SPE），计算公式如下： = = = 量指标，本文还引入另一个衡量算法性能的重要指标：受试r Operating Characteristic Curve, ROC curve），该曲线以假阳FPR）为 X 轴，以真阳性率（True Positives Rate, TPR）为 Y和曲线光滑程度反映了算法分类的准确程度，ROC 曲线下的e,AUC）大小用于定量分析该准确程度。

基于深度学习的血管图像分割算法研究

原始图像及其RGB各通道图像

【参考文献】