基于编码器—解码器结构的眼底图像中视网膜血管分割的方法研究

发布时间：2021-01-04 22:01

　　眼底图像是糖尿病性视网膜病和高血压性视网膜病等不同视网膜疾病的有用诊断工具之一。眼底图像中视网膜血管的分割结果能够辅助医生诊断潜在患者的病情,帮助医生大大减轻工作量,对医生的临床分析具有重要意义。由于视网膜血管的独特性,如何更高效地实现视网膜的血管分割仍是一个研究难点。最近,卷积神经网络（CNN）被广泛应用,并且在医学图像分割中表现出很好的性能。本文基于卷积编码器-解码器结构,构建了两种不同的卷积神经网络,来提高分割结果,并在可公开访问用于血管提取的数字视网膜图像（DRIVE）的数据集上进行了评估分析。本文主要的研究工作如下:首先,本文在卷积编码器-解码器结构上添加了两种跳过连接,其中,长跳过连接将编码过程的特征图连接到相应层次的解码器,使得上采样过程能够同时获得高层语义信息和浅层细节信息;短跳过连接在不增加网络计算复杂度的基础上,使网络通过学习残差映射来得到更好的收敛效果。实验结果表明,添加了跳过连接的模型能得到更好的分割性能。其次,为了充分利用网络在编码过程中学习到的特征,在跳过连接的分割模型的基础上提出了多路径融合的整合方式,来对分割结果进行微调。分别对不同层次学习到的特征图进行... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

AlexNet结构

在计算机视觉领域，卷积神经网络不仅在图像分类方面表现优异，在图像分割也有着强大的表现。图像分割从像素级别上来看，可以理解为像素级别的分类一个像素进行一次类别划分，需要对图像进行逐像素的密集预测。最开始使用方法进行图像分割时，是利用图像分类网络完成的，通过图像块（patch）分类图像进行分割，每个像素利用由邻近像素点组成的图像块的分类结果来分别作类别。分类网络的一般都有完全连接层，这样就要求每次输入的图像块的大小，但对像素进行分类时，尺寸过小的图像块并不能为特征提取提供足够的上下图像块的尺寸过大会使得在分类时计算量过大，并且带来一些冗余。Long 等人在 2015 年提出了全卷积神经网络（Fully convolutional network，简称 F第一个实现端到端的图像分割的卷积神经网络，并且取得了很优异的结果，后图像语义分割都是基于全卷积神经网络进行改进和优化[26]。如图 2-8 所示，为分类网络的基础上得到的全卷积神经网络。

第二章 相关理论与技术基础尺寸大小的输入图像，并生成对应大小的分割图，在语义分割方面推广了 CNN 架构，这比使用图像块分类的方法要快得多，并且也减少了计算量。全卷积神经网络在池化过程中，特征图的大小不断减少，所以需要对最后一层进行上采样来恢复像素空间，得到和输入图像的一样大小的输出。上采样后生成图 2-8 中的热力图，以此来完成最后的像素分类。上采样通常是反卷积或者双线性插值来实现，在这一过程中也会引入一些噪声等其他信息。如图 2-9 所示，网络在不同的特征层进行上采样，得到和输入图像大小相同的结果预测，并且添加了跳过连接，将较深层的高级粗糙语义信息和低级的精细的位置细节信息通过对应像素的求和来结合，得到相应输出。通过跳过连接可以将在池化过程中丢失的信息得到一定的恢复，使得预测结果更精确，最后结果证明这样的结构在 VOC2012 数据集上显著改善了图像分割的性能。


本文编号：2957446