全卷积神经网络在眼底图像结构中的应用研究

发布时间：2020-10-25 04:05

　　 医学和计算机技术的发展,使得利用计算机技术分析临床数据成为了可能。眼底图像是比较常用的一种医学实验图像,它可以用来帮助医生对于某些疾病的诊断提供参考依据,比如青光眼、老年黄斑变性、高血压以及糖尿病等疾病。其中青光眼是一种具有高度危险性和广泛性的眼部疾病,可导致视力永久性丧失。杯盘比是青光眼筛查的重要参数之一,这就要求对视杯和视盘进行精确的分割。另外,视网膜黄斑区域是视网膜眼底图像中最重要的解剖结构之一,是眼睛感光的重要部位,并且位于视网膜的较暗和色素沉着的区域中,它的定位和分割在视网膜疾病自动分析中是非常必要的。在本论文中,提出了使用基于VGG16的全卷积网络模型进行实验,并采用公开的DRIVE眼底图像数据集。鉴于该数据集数据样本较少,在本论文中提出了使用图像变换的方法扩充实验样本。另外,通过借鉴全卷积网络中的跳跃结构的思想对提出的模型进行进一步微调整,即选择基础模型与第二层池化层的输出结果进行融合叠加,生成的模型为初级微调整模型,然后再让该模型与第一层池化层的输出结果进行叠加,产生的模型为终极微调整模型。其次,利用迁移学习的思想,初始化模型的训练参数,并通过对参数进行微调,对实验数据进行训练分割,最后输出模型的分割结果。然后通过实验分别对初级微调整模型和终极微调整模型的分割结果进行对比分析。通过实验对比,发现通过继续往前融合叠加池化层的特征图,会在一定程度提升视杯、视盘和黄斑三个结构的分割效果。其次,通过全连接条件随机场的后处理操作之后,眼底图像中视杯分割受血管影响较大。但此种方法可以作为后续项目中眼底血管的分割。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R770.4;TP391.41;TP183
【部分图文】：

第二章 眼底图像结构分割相关技术第二章 眼底图像结构分割相关技术主要结合卷积网络的发展过程讲解了本文中需要用到的一些技引出本文所用的全卷积网络模型，然后对其模型结构与思想进结构概述周知，人们眼中的视网膜是视觉传送信息最灵敏的区域。如下图底图像上，明确标出了黄斑、视杯、视盘以及动静脉血管等。关于眼底图像中视盘、视杯以及黄斑区域的分割。从图像上可上的血管和视盘通常有明显的轮廓边界，因此可以清楚地来划斑结构和视杯两个眼底结构没有明确的边界限制。

的临床相关性。因此，黄斑中央凹的自动分割病变的风险。 此外，与视盘（OD）中心一起分类参考框架的解剖学标志。概述神经网络和人工神经网络两种类型。其中生神经元、触点等结构构成的网络，是用来产生力。人工神经网络也就是当下最为火热的人工就是使用计算机来模拟生物的大脑（主要是人系统更加智能化。经典的神经网络。这是一个包含三个层次的神是输出层，紫色的是中间层（也叫隐藏层）。4 个单元，输出层有 2 个单元。

图 2-3 神经网络另一种结构动物的大脑工作过程是通过一个个神经细胞或着神经纪就被生物学家知晓。一个神经元一般连有多个树突，的消息；但是神经元的轴突却仅仅一条，其他神经元来传递信号。构是集输入、输出与计算功能为一体的模型。它的输入出就像神经元的轴突，而计算就像细胞核。示，这是一个典型的神经元模型，它包含输入三个，输。注意中间的箭头线。这些线称为“连接”。每个上，每条线上都有一个权重值。通过训练，目的就是让达到让整个网络的预测效果最好的效果。例如使用 a
【参考文献】

相关期刊论文 前1条

1 郑绍华;陈健;潘林;余轮;;糖尿病性视网膜病变图像黄斑水肿等级自动分析方法[J];中国生物医学工程学报;2014年06期

本文编号：2855436