基于深度学习的彩色眼底图像视杯分割方法研究

发布时间：2020-03-21 05:41

【摘要】：青光眼是一种由于眼内压过高导致眼视神经损害的视神经性疾病,其发生一般伴随着视杯、视盘以及视神经纤维层的改变,因此准确测量视杯各项参数是检测青光眼的重要指标,对青光眼的早期筛查、抑制病情发展具有重要的临床意义。而视杯的准确分割对测量视杯参数至关重要。本文首先研究了基于传统图像处理技术FCM聚类的视杯分割方法,结合视杯周围血管在视杯边缘弯折的特征校正视杯位置,得到了较好的视杯分割结果。但是使用传统图像处理技术的视杯分割方法需要人工设计特征,过程复杂,鲁棒性不高。深度学习技术弥补了传统视杯分割方法的上述不足。深度学习本质上是神经网络的拓展,目前在语音识别、目标检测、语义分割等诸多人工智能领域都取得了突破性进展。基于深度学习的图像语义分割的主要思路是:使用像素级标注的图像,利用上采样、反卷积等特殊层,将普通卷积网络提取到的特征再还原回原图像尺寸,从而实现一种端到端的学习。本文在借鉴已有网络的基础上,提出了一种Seg-ResNet的网络新架构,新架构以残差网络结构为主体,引入通道加权结构以学习的方式自动调整特征通道的依赖关系,实现特征通道权重的重新标定。然后将加权后的底层特征与高层特征进行融合,用以提升网络性能。结合迁移学习的训练策略,在加快网络收敛速度的同时提高分割精度。通过对GlaucomaRepo和Drishti-GS眼底图像数据库进行测试,证明了本文基于深度学习视杯分割方法的鲁棒性和有效性。
【图文】：

视杯表现为视盘中央的凹陷；在彩色眼底图像上，视杯表现为视盘中最亮逡逑的单连通区域，周围进出的血管在视杯边沿处出现弯折。正常人与疑似青光眼患逡逑者的彩色眼底杯盘结构如图１－１所示。临床上，青光眼可以通过杯盘比（ＣｕｐＤｉｓｃ逡逑Ｒａｔｉｏ，简称ＣＤＲ）等参数的测量来进行初步诊断Ａ邋ＣＤＲ是视杯区域与视盘区逡逑域的面积比，通常正常眼底的ＣＤＲ值介于０．３－０．５之间，，如果ＣＤＲ的值大于０．５，逡逑可以判断为疑似青光眼患者。而且检测视杯有助于建立一个视网膜坐标系统，以逡逑１逡逑

积核中的数值就是权重，每个位置权重是一样的，而且每个神经元ｇ与部分输入逡逑神经元相连，相较于全连接，共享权重大大减少了卷积层的参数个数。逡逑卷积过程如图２－１所示，使用一个大小为３Ｘ３的卷积核以大小为１的步长逡逑在７Ｘ７特征图上做卷积，通过遍历得到５Ｘ５的特征图。逡逑Ｉ邋｜逦＿＿？」Ｉ邋｜邋Ｉ逡逑鼷Ｓ二工逡逑图２－１卷积过程示意图逡逑２．２．２池化层逡逑池化层的输入一般来源于上一个卷积层，主要功能是对输入图像进行降采样，逡逑使特征图更加抽象，降低局部发生变化对整体的影响，保持一定程度的平移不变逡逑性。池化操作在提取主要特征的同时减少下一层的参数量，防止过拟合，增强网逡逑络的泛化能力。池化这种机制能够有效的原因在于，它可以使特征对图像轻微的逡逑畸变保持不变，特征图的精确位置远不及相对位置的关系重要，在加强主要特征逡逑１０逡逑
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R770.4;TP391.41;TP183

【参考文献】

相关期刊论文 前3条

1 高玮玮;沈建新;王玉亮;梁春;左晶;;基于多模板匹配的局部自适应区域生长法在视网膜内出血自动检测中的应用[J];光谱学与光谱分析;2013年02期

2 董银伟;沈建新;王玉亮;;基于C-V模型的眼底图像交互式杯盘分割[J];计算机应用与软件;2012年05期

3 蔡晋辉;蒋庆;周泽魁;施丽莲;;圆检测HOUGH变换的改进算法研究[J];模式识别与人工智能;2004年01期

本文编号：2592856