基于深度学习的糖尿病视网膜眼底图像分析

发布时间：2021-06-14 13:32

　　糖尿病视网膜病变是糖尿病最严重也最常见的并发症之一,表现为眼部的微血管病变,是导致失明的主要原因。目前专家诊断的过程依赖于对视网膜眼底图像进行分析,找出病灶所在进而给出诊断结果和相应的治疗措施,但往往受限于医疗条件分布差异以及人工效率较低等原因,使得不少患者错失了最佳诊治时间,从而导致视觉损伤。因而提供自动视网膜眼底图像分析算法并构建模型对于辅助医疗诊断过程具有重要的意义。本文基于深度学习的方法,对视网膜眼底图像进行研究分析,主要包括以下四个方面的内容:（1）针对深度学习需要大量标记数据而现实中病理数据获取的有限性,对于图像分类和分割任务分别采取了不同的数据预处理方式,包括图像的去噪、归一化、扩增以及后处理几个方面,从而在有效扩增数据的同时完成了数据清洗工作。（2）提出了对视网膜眼底图像疾病严重程度分类的Concise Net模型,该模型基于Inception和Res Net的组件架构,将经过预处理后的图像直接输入网络中,通过主干部分、残差模块以及递减模块提取特征后,进入辅助分类模块完成初步分类,并融合该分类结果得到最终的输出。（3）提出了对视网膜眼底图像实现病灶分割的DRUnet模型... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

全球各地区2017年和2045年糖尿病成人患者数量统计分析图

分别处理不同尺度的输入，并最终合并在一起构成特征向量进行分类，网络架构如下图2-1 所示。文章[25]也采用类似的算法来区分皮肤病症，网络中的每个流对应处理不同分辨率的输入。这里同样也会涉及到对 3D 信息的融合，研究者们采用了多种处理方法。Setio 等人[26]从肺部 CT（ComputedTomography，计算机断层扫描）的候选区域中提取了多达 9 个不同方向的片段并将其分别应用在每个流中来综

图 2-2 U-net 网络架构图示（3） 其他医学图像配准是医学图像分析的重要研究内容之一，是指对于一幅医学图像一系列的空间变换，使其可以与另一幅医学图像上的点对应起来。文章[33]利NN 从不同的模式估计在两幅图像中提取出的小块区域之间的相似性，进而对应像素点。文章[34]利用 CNN 执行 3D 到 2D 的 X 射线配准，以评估手术植入物体的位置，该变换共涉及 6 个参数，包括 2 个平移参数、1 个缩放参 3 个角度参数，并针对两个角度参数以 20 度的步长参数化特征空间，同时定 3D 模型的数字重建的 X 射线照片和实际的术中 X 射线的情况下训练单 CNN 以预测更新变换参数，通过在临床应用中进行定量评估表明该方法比传统的纯粹基于强度的方法具有更高的配准成功率。因为医学图像的获取通常比较困难且代价昂贵，因此学者们也提出利用深度

【参考文献】：
期刊论文
[1]糖尿病性视网膜图像的深度学习分类方法[J]. 李琼,柏正尧,刘莹芳.  中国图象图形学报. 2018(10)
[2]糖尿病性视网膜图像的深度神经网络分类方法[J]. 丁蓬莉,李清勇,张振,李峰.  计算机应用. 2017(03)
[3]基于k均值聚类和自适应模板匹配的眼底出血点检测方法[J]. 肖志涛,赵北方,张芳,耿磊,吴骏,王雯,张欣鹏,苏龙,陈莉明,单春燕.  中国生物医学工程学报. 2015(03)
[4]糖尿病性视网膜病变[J]. 陈迪,赵斌,沈晔晖.  社区医学杂志. 2007(16)
[5]糖尿病性视网膜病变发病机制研究进展[J]. 张小玲,邱曙东,陈艳炯,孙文涛.  国际眼科杂志. 2005(06)



本文编号：3229936