基于有监督学习的眼底视网膜血管分割方法的研究
发布时间:2021-10-30 01:32
视网膜血管具有连续性且呈树枝状结构,其分支从视盘开始,血管宽度随着远离视盘而减小。同时,视盘是主血管汇合处,相比此处的血管区域较大、对比度较明显,而且病变视网膜会存在硬性渗出物等病理信息影响。因此,视网膜血管分割技术面临的挑战包括毛细血管与背景对比度低、视盘边界误分割和病理斑点的干扰。现阶段已经出现大量基于计算机辅助视网膜血管分割的方法和技术,利用计算机软件对其几何参数进行评估,有效地分离血管、病灶、黄斑及视盘等信息,可以促进医学专家对视网膜血管图像系统性和一致性的评估。于是,本文分别提出了三类算法:基于传统机器学习的多尺度滤波的血管分割算法、基于深度学习的自适应尺度信息U型网络分割算法和融合轮廓信息的生成对抗血管分割方法。主要工作如下:(1)融合多尺度滤波的视网膜血管分割算法。考虑到现有的传统机器学习算法存在提取血管特征的尺度单一、不同数据集之间血管特征差异性较大且易存在视盘和病灶误分割、微血管分割不合理的现象。于是,本文选用多尺度形态学滤波、匹配滤波、Frangi滤波和2D-Gabor滤波追踪血管的走向,获取到尽可能反应目标分类本质的特征向量,同时考虑到视网膜图像数据量小的问题,选...
【文章来源】:江西理工大学江西省
【文章页数】:87 页
【学位级别】:硕士
【部分图文】:
人体眼球结构示意图
第一章绪论4眼底彩照应用领域,眼底彩照血管分割技术为其它眼底技术提供了前提和基础,同时在分割出血管信息的基础上,融合其他眼底彩照技术对于有关疾病的筛查、降低医生的误诊率以及进行相关病理信息的研究都具有广泛的应用价值[9]。目前,基于眼底血管分割技术从指导思想上可划分为两种体系:以计算机为主体的全自动分割方式和人机相结合的交互式分割方式[10]。计算机自动分割方式是以完全脱离人为最终目的,但是现阶段计算机自主分割性能仍不能达到临床治疗的要求;同时,人机交互分割方式虽然得到一定的保障,但过于依赖该方式又不能达到计算机辅助医疗的要求。因此,计算机自动分割眼底视网膜血管的方法仍是医学图像中的研究重点之一。1.3国内外研究现状眼底视网膜血管分割算法按照是否利用标签信息可大致划分为无监督学习和有监督学习两大类。二者均具备三个基本要素:模型、学习准则和相关优化算法[11],其二者的结构图可用图1.3表示。监督学习能够学习到输入与输出数据之间的统计规律信息的映射关系,而无监督学习则可以从原始的数据出发,无需借助人工标记的标签或者相关反馈等指导性信息,相比有监督学习算法能够发现隐藏在数据中有效的特征信息及其概率分布。虽然在视网膜血管分割领域无监督算法相比有监督算法在准确率和灵敏度上略低,但无监督学习算法的发展能够有效地帮助后续机器学习算法和深度学习算法模型更快的收敛,同时能够更准确地识别目标特征信息,甚至近年来涌现出来的与有监督相融合的半监督学习算法,更进一步说明了二者可以相辅相成。图1.3无监督或有监督学习模型结构
第一章绪论6合,有效解决传统无监督算法对噪音敏感的问题,在病变视网膜血管分割的问题上假阳性更低,具有较好的区分性,但仍存在微血管分割不全,部分血管分割粗细不合理的现象。1.3.2有监督视网膜图像分割基于有监督的视网膜血管分割算法需要人类专家提供带有标注信息的金标准图像,并作为分类器在训练阶段的先验信息和导向,使分类器根据图像中的局部像素特征和全局特征信息有效区分不同目标,如血管和背景像素。尽管有监督算法存在前期医生工作量大和训练阶段周期长等弊端,但相比无监督学习算法在医学图像领域具有较高的准确率。同时,无监督学习算法可以作为一种先验信息提取器,初步提取目标的相关局部或全局特征信息,进而提升有监督学习分类器的鲁棒性,降低训练阶段的复杂度等。图1.4传统机器学习与深度学习算法示意图现阶段流行的有监督学习算法可分为:传统机器学习与深度学习算法,二者的区别可由图1.4所描述。基于传统机器学习的方法高度依赖于提取的特征类型,这些特征信息可能代表一种特定的数据集,但不代表其他数据集。此外,人工手动设计目标特征提取器是一项繁琐的任务,需要大量的时间和专业知识。文献[21-25]均先利用无监督学习算法设计人工特征提取器,如多尺度匹配滤波器、Hessian矩阵、灰度共生矩阵和形态学操作等提取多维的血管特征信息,然后构建带有监督信息的血管分类器。虽然该类算法分割的结果精度较高,但会出现假阳性高、微血管相比金标准分割过粗的现象,同时存在病理信息、黄斑和视盘周围误分割或过分割等问题。尽管如此,传统机器学习算法仍然是现在人工智能
本文编号:3465780
【文章来源】:江西理工大学江西省
【文章页数】:87 页
【学位级别】:硕士
【部分图文】:
人体眼球结构示意图
第一章绪论4眼底彩照应用领域,眼底彩照血管分割技术为其它眼底技术提供了前提和基础,同时在分割出血管信息的基础上,融合其他眼底彩照技术对于有关疾病的筛查、降低医生的误诊率以及进行相关病理信息的研究都具有广泛的应用价值[9]。目前,基于眼底血管分割技术从指导思想上可划分为两种体系:以计算机为主体的全自动分割方式和人机相结合的交互式分割方式[10]。计算机自动分割方式是以完全脱离人为最终目的,但是现阶段计算机自主分割性能仍不能达到临床治疗的要求;同时,人机交互分割方式虽然得到一定的保障,但过于依赖该方式又不能达到计算机辅助医疗的要求。因此,计算机自动分割眼底视网膜血管的方法仍是医学图像中的研究重点之一。1.3国内外研究现状眼底视网膜血管分割算法按照是否利用标签信息可大致划分为无监督学习和有监督学习两大类。二者均具备三个基本要素:模型、学习准则和相关优化算法[11],其二者的结构图可用图1.3表示。监督学习能够学习到输入与输出数据之间的统计规律信息的映射关系,而无监督学习则可以从原始的数据出发,无需借助人工标记的标签或者相关反馈等指导性信息,相比有监督学习算法能够发现隐藏在数据中有效的特征信息及其概率分布。虽然在视网膜血管分割领域无监督算法相比有监督算法在准确率和灵敏度上略低,但无监督学习算法的发展能够有效地帮助后续机器学习算法和深度学习算法模型更快的收敛,同时能够更准确地识别目标特征信息,甚至近年来涌现出来的与有监督相融合的半监督学习算法,更进一步说明了二者可以相辅相成。图1.3无监督或有监督学习模型结构
第一章绪论6合,有效解决传统无监督算法对噪音敏感的问题,在病变视网膜血管分割的问题上假阳性更低,具有较好的区分性,但仍存在微血管分割不全,部分血管分割粗细不合理的现象。1.3.2有监督视网膜图像分割基于有监督的视网膜血管分割算法需要人类专家提供带有标注信息的金标准图像,并作为分类器在训练阶段的先验信息和导向,使分类器根据图像中的局部像素特征和全局特征信息有效区分不同目标,如血管和背景像素。尽管有监督算法存在前期医生工作量大和训练阶段周期长等弊端,但相比无监督学习算法在医学图像领域具有较高的准确率。同时,无监督学习算法可以作为一种先验信息提取器,初步提取目标的相关局部或全局特征信息,进而提升有监督学习分类器的鲁棒性,降低训练阶段的复杂度等。图1.4传统机器学习与深度学习算法示意图现阶段流行的有监督学习算法可分为:传统机器学习与深度学习算法,二者的区别可由图1.4所描述。基于传统机器学习的方法高度依赖于提取的特征类型,这些特征信息可能代表一种特定的数据集,但不代表其他数据集。此外,人工手动设计目标特征提取器是一项繁琐的任务,需要大量的时间和专业知识。文献[21-25]均先利用无监督学习算法设计人工特征提取器,如多尺度匹配滤波器、Hessian矩阵、灰度共生矩阵和形态学操作等提取多维的血管特征信息,然后构建带有监督信息的血管分类器。虽然该类算法分割的结果精度较高,但会出现假阳性高、微血管相比金标准分割过粗的现象,同时存在病理信息、黄斑和视盘周围误分割或过分割等问题。尽管如此,传统机器学习算法仍然是现在人工智能
本文编号:3465780
本文链接:https://www.wllwen.com/shoufeilunwen/mpalunwen/3465780.html
最近更新
教材专著