基于深度学习的DR眼底图像黄斑水肿分级方法研究

发布时间：2020-08-13 02:06

【摘要】：糖尿病性黄斑水肿(Diabetic Macular Edema,DME)是导致糖尿病患者视力损伤的主要原因,DME的早期发现有助于显著降低视力丧失的风险。根据DME国际临床分级标准,通过检测并判断硬性渗出物(Hard Exudate,HE)是否接近黄斑中心,可对彩色眼底图像进行DME分级,因此定位黄斑中心和分割HE是DME分级的两大核心任务。对于这两个任务,研究者们已经进行了深入研究,但如何提高定位准确率和分割精度仍是眼底图像处理所面临的难题。传统的检测方法主要依赖于所提取特征的准确度,检测效率较低,处理过程耗时较长。而深度学习技术弥补了传统检测方法的不足,且在医学图像领域已取得突破进展。因此本文提出基于深度学习的方法进行黄斑中心定位和HE分割,进而实现DME的分级评估。针对黄斑中心定位,本文提出了基于改进型Faster R-CNN网络和血管标注的黄斑中心定位方法。首先,在制作黄斑样本的过程中,将黄斑中央凹周围特定区域内的毛细血管加入到标注范围中,从而丰富了黄斑的特征;其次,根据标注的黄斑大小,在Faster R-CNN网络中设计了2种不同大小的锚点框(Anchor)以得到更适合于黄斑的目标参照框。通过实验证明,使用加入毛细血管的黄斑样本及设计的2种Anchor训练改进型Faster R-CNN,能够获得更加准确的黄斑中心定位结果。针对HE分割,本文提出了基于MD-ResNet网络的HE分割方法,该网络结合了空洞卷积与多级特征融合策略。首先使用残差网络作为主体结构,将高层网络部分的残差块改为空洞卷积残差块;其次通过跳跃连接将低层网络中不同尺度的细节特征与高层网络得到的全局特征连接到一起,从而获得更加精细化的分割结果。在黄斑中心定位和HE分割的基础上,本文依据国际临床DME分级标准对眼底图像进行DME分级。通过建立眼底极坐标系并判断HE出现在眼底极坐标系中的位置,将眼底图像分为正常、轻度DME、中度DME和重度DME四个等级。最后,在前面工作的基础上设计了DME病变智能分析系统,从而达到自动快速检测眼底DME疾病的目的。采用本文方法对HEI-MED、e-ophtha EX和医院数据集进行测试,结果表明测试结果具有较高的定位准确率和分割精度,最终实现了良好的DME分级。
【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】：R587.2;R774.5;TP391.41;TP183
【图文】：

导致继发性失明最常见的原因之一，因此被认为是所有糖尿病并发症中最危险的逡逑因素之一。ＤＲ的主要症状是眼底视网膜血管发生微小变化，主要表现为微动脉逡逑瘤、出血点、硬性渗出、棉絮斑以及黄斑水肿等，眼底病变结构如图１－１所示。逡逑人眼中第一个可检测到的异常是微动脉瘤，它代表视网膜毛细血管的局部扩大。逡逑破裂的微动脉瘤可引起出血，血浆内的脂类物质会从血管中流出并沉积在视网膜逡逑中形成硬性渗出物（ＨａｒｄＥｘｕｄａｔｅ，ＨＥ）。如果ＨＥ出现在黄斑区附近会严重导致中逡逑央视力下降，引起糖尿病性黄斑水肿（Ｄｉａｂｅｔｉｃ邋Ｍａｃｕｌａｒ邋Ｅｄｅｍａ，ＤＭＥ广，这种病逡逑症是导致视力损伤的主要原因。由于ＤＭＥ可能在没有任何外部症状的情况下出逡逑现，所以尽早发现ＤＭＥ至关重要。逡逑图１－１眼底中的病变结构逡逑在最新公布的国际ＤＭＥ临床分级标准中，ＤＭＥ被定义为眼底有明显的视逡逑网膜增厚或者硬性渗出物出现＇因此ＤＭＥ的检测方式可分为直接检测和间接逡逑检测。直接检测方法是利用立体视觉技术或光学相干断层扫描（Ｏｐｔｉｃａｌ邋Ｃｏｈｅｒｅｎｃｅ逡逑Ｔｏｍｏｇｒａｐｈｙ，邋ＯＣＴ）技术判定视网膜是否增厚ｗ，间接检测方法是通过二维眼底图逡逑像分析ＨＥ是否接近黄斑中心［５］。然而

黄斑,中心定位,自身特点,医学图像

ＤＭＥ分级逡逑图１－２本文方法总框图逡逑１）针对黄斑中心定位现有存在的问题，基于黄斑自身特点和目标检Ｒ－ＣＮＮ在医学图像中的优异表现，本文提出一种适用于黄斑检测的邋Ｒ－ＣＮＮ网络。由于Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ网络中提供的锚点框（Ａｎｃｈｏｒ）部分尺寸，因此本文对不同数据集中标注的黄斑大小进行统计并重新设于黄斑尺寸的Ａｎｃｈｏｒ，以提升网络的定位精度和检测时间。在制据时，加入了黄斑中央凹周围特定区域内的毛细血管，与黄斑中央个黄斑的真实样本（Ｇｒｏｕｎｄ邋Ｔｒｕｔｈ），从而丰富了黄斑的特征。逡逑）针对ＨＥ在眼底图像中形态复杂多变且干扰物较多的问题，本文空洞卷积和多级特征融合策略的深度残差网络ＭＤ－ＲｅｓＮｅｔ。利用络作为主体结构，可更好地通过加深网络来挖掘ＨＥ更丰富的特征。高细小ＨＥ分割精度，在ＭＤ－ＲｅｓＮｅｔ网络的后半部分加入了空洞，并将低层的细节信息与高层的全局信息相融合，从而达到更好的克服先前基于窗口的方式计算效率低且较浅的网络特征辨识能力有

过程图,卷积运算,过程,卷积核

络基础知识逡逑（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，ＣＮＮ）邋￥是前馈神经网络，是深度学习的代表算法之，即在ＣＮＮ中决定某一层输出结果中一个般来讲，ＣＮＮ主要由输入层、卷积层、激层中的核心部分，它可以被认为是采用特定产生一系列带有原图特征的特征图。如果网就要通过卷积层实现特征提取，获取有用信个卷积核从神经网络当前层的左上角移动应的单位矩阵。一个以３Ｘ３卷积核为例的

【相似文献】