基于半监督学习的白内障眼底图像自动标注方法研究
发布时间：2021-06-26 03:16
根据数据资料显示,一些常见的眼科疾病都可以利用眼底图像的形式观察检测到,白内障就是其中一种常见性的眼科疾病。本文主要利用机器学习算法中的图像识别技术,对白内障眼底图像进行诊断识别,提出了能充分利用无标签的眼底图像数据进行半监督学习,从而提升模型在测试集上准确率的半监督学习算法。本文提出的基于半监督学习的白内障眼底图像自动分类标注系统对降低医疗成本,缓解短缺的医生资源以及提升白内障疾病的诊疗效率具有很重要的科研价值和临床意义。本文主要完成了如下几个方面的工作:在白内障眼底图像预处理阶段,使用了图像灰度化来将原始的OCT彩色眼底图像转换成灰度图,使用像素值标准化和归一化将图像的像素值划归到同一个灰度范围,使用限制对比度直方图均衡化（CLAHE）的方法来对图像进行初步的增强,使用伽马矫正来去除光照不均对图像造成的影响。在眼底图像特征提取阶段,提取了图像的颜色特征,纹理特征,小波特征,轮辐特征以及眼底血管五类特征,共计128维。在半监督算法实现阶段,本文使用了两种半监督学习算法,一种是基于传统的机器学习算法实现的半监督算法,另一种是基于生成对抗神经网络（GAN）实现的半监督学习算法。本文使用得...
【文章来源】：中北大学山西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
每个级别的眼底图像a.健康b.轻微c.中度d.重度图2.1给出了白内障眼底图像的不同程度以及未患病的典型图像，图(a)是未患病眼底图像，图(b)为白内障轻度患者的眼底图像，图(c)为白内障中度患者的眼底图像，图(d)
图 a 原始图像 图 b 灰度化图像图 2.2 图像灰度化((.3 图像增强在图像处理的技术当中，常常会用到图像增强的方法，图像增强的应用同样是的，通过各种增强技术来增强图像的视觉效果。图像增强的一个典型的例子就是增强，利用两个不同表面所反射回来的不同的亮度作为对比度[33]。也就是说，对121 11_ mid1 1( )NiiN Ni ii iX xNXx xN N== =-=- _ min( _ )_ 255max( _ ) min( _ )X mid X midX normX mid X mid-= ′-
中北大学学位论文该曲线就是一个函数，这个函数中的形式如下：Y=(X+e)γ，他的Y就是亮度、输出电压、e是补偿系数、乘幂值(γ)为伽玛值，通常改变 CRT 的伽玛曲线是通(γ)的值。0.45 是伽玛的一个典型值，图像的亮度呈现线性，由于显示器的屏幕信号灰度是指数函数形式，不是线性的，所以要校正。在本文中，选用的γ值是对比效果图如下 2.5 所示。由图可见，伽马调整后的图像血管比调整前的血管更，在某种意义上把照片本身拍照时候不能避免的因素也调和掉了，是的图像更清
【参考文献】：
期刊论文
[1]基于颜色特征和尺度自适应的时空上下文算法[J]. 周海英,李松玥. 计算机工程与设计. 2019(02)
[2]基于SVM的深度学习分类研究综述[J]. 乔风娟,郭红利,李伟,李彬. 齐鲁工业大学学报. 2018(05)
[3]基于灰度共生矩阵的乳腺病理图像纹理特征分析[J]. 赵爽,李延军,马志庆,赵文华. 中国医学装备. 2018(08)
[4]基于改进的CLAHE显微细胞图像增强算法[J]. 魏德志,梁光明. 计算机技术与发展. 2018(10)
[5]一种使用log函数的新型修正激活单元LogReLU[J]. 王多民,刘淑芬. 吉林大学学报(理学版). 2017(03)
[6]基于自适应伽玛校正的去雾算法[J]. 辛婷婷,肖雪梅. 电脑知识与技术. 2017(10)
[7]一种基于非负低秩稀疏图的半监督学习改进算法[J]. 张涛,唐振民. 电子与信息学报. 2017(04)
[8]加权灰度-梯度共生矩阵特征值的图像检索[J]. 李慎,王玉德,李妍,王顺. 电子技术. 2015(12)
[9]糖尿病性视网膜病变图像黄斑水肿等级自动分析方法[J]. 郑绍华,陈健,潘林,余轮. 中国生物医学工程学报. 2014(06)
[10]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
博士论文
[1]图像增强的相关技术及应用研究[D]. 李艳梅.电子科技大学 2013
硕士论文
[1]针对特纳综合征的自动人脸分类方法研究[D]. 雷毅.中北大学 2018
[2]眼科专科影像数据分析关键技术研究[D]. 王萍.中北大学 2017
[3]视网膜血管分割与动静脉分类方法研究[D]. 杨毅.哈尔滨工业大学 2016
[4]基于组合分类器的白内障眼底图像分类系统[D]. 曾杨.北京邮电大学 2016
[5]基于专家知识的白内障影像等级自动分类系统研究[D]. 杨美美.北京邮电大学 2014
[6]基于logistic回归的违约概率模型的建立及分析[D]. 孟敏.山东大学 2012
[7]基于人工神经网络的图像识别和分类[D]. 卜富清.成都理工大学 2010
[8]青光眼眼底图像的自动识别与分析方法研究[D]. 干能强.西南交通大学 2008
本文编号：3250521
【文章来源】：中北大学山西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
每个级别的眼底图像a.健康b.轻微c.中度d.重度图2.1给出了白内障眼底图像的不同程度以及未患病的典型图像，图(a)是未患病眼底图像，图(b)为白内障轻度患者的眼底图像，图(c)为白内障中度患者的眼底图像，图(d)
图 a 原始图像 图 b 灰度化图像图 2.2 图像灰度化((.3 图像增强在图像处理的技术当中，常常会用到图像增强的方法，图像增强的应用同样是的，通过各种增强技术来增强图像的视觉效果。图像增强的一个典型的例子就是增强，利用两个不同表面所反射回来的不同的亮度作为对比度[33]。也就是说，对121 11_ mid1 1( )NiiN Ni ii iX xNXx xN N== =-=- _ min( _ )_ 255max( _ ) min( _ )X mid X midX normX mid X mid-= ′-
中北大学学位论文该曲线就是一个函数，这个函数中的形式如下：Y=(X+e)γ，他的Y就是亮度、输出电压、e是补偿系数、乘幂值(γ)为伽玛值，通常改变 CRT 的伽玛曲线是通(γ)的值。0.45 是伽玛的一个典型值，图像的亮度呈现线性，由于显示器的屏幕信号灰度是指数函数形式，不是线性的，所以要校正。在本文中，选用的γ值是对比效果图如下 2.5 所示。由图可见，伽马调整后的图像血管比调整前的血管更，在某种意义上把照片本身拍照时候不能避免的因素也调和掉了，是的图像更清
【参考文献】：
期刊论文
[1]基于颜色特征和尺度自适应的时空上下文算法[J]. 周海英,李松玥. 计算机工程与设计. 2019(02)
[2]基于SVM的深度学习分类研究综述[J]. 乔风娟,郭红利,李伟,李彬. 齐鲁工业大学学报. 2018(05)
[3]基于灰度共生矩阵的乳腺病理图像纹理特征分析[J]. 赵爽,李延军,马志庆,赵文华. 中国医学装备. 2018(08)
[4]基于改进的CLAHE显微细胞图像增强算法[J]. 魏德志,梁光明. 计算机技术与发展. 2018(10)
[5]一种使用log函数的新型修正激活单元LogReLU[J]. 王多民,刘淑芬. 吉林大学学报(理学版). 2017(03)
[6]基于自适应伽玛校正的去雾算法[J]. 辛婷婷,肖雪梅. 电脑知识与技术. 2017(10)
[7]一种基于非负低秩稀疏图的半监督学习改进算法[J]. 张涛,唐振民. 电子与信息学报. 2017(04)
[8]加权灰度-梯度共生矩阵特征值的图像检索[J]. 李慎,王玉德,李妍,王顺. 电子技术. 2015(12)
[9]糖尿病性视网膜病变图像黄斑水肿等级自动分析方法[J]. 郑绍华,陈健,潘林,余轮. 中国生物医学工程学报. 2014(06)
[10]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟. 计算机学报. 2015(08)
博士论文
[1]图像增强的相关技术及应用研究[D]. 李艳梅.电子科技大学 2013
硕士论文
[1]针对特纳综合征的自动人脸分类方法研究[D]. 雷毅.中北大学 2018
[2]眼科专科影像数据分析关键技术研究[D]. 王萍.中北大学 2017
[3]视网膜血管分割与动静脉分类方法研究[D]. 杨毅.哈尔滨工业大学 2016
[4]基于组合分类器的白内障眼底图像分类系统[D]. 曾杨.北京邮电大学 2016
[5]基于专家知识的白内障影像等级自动分类系统研究[D]. 杨美美.北京邮电大学 2014
[6]基于logistic回归的违约概率模型的建立及分析[D]. 孟敏.山东大学 2012
[7]基于人工神经网络的图像识别和分类[D]. 卜富清.成都理工大学 2010
[8]青光眼眼底图像的自动识别与分析方法研究[D]. 干能强.西南交通大学 2008
本文编号：3250521
本文链接：https://www.wllwen.com/yixuelunwen/wuguanyixuelunwen/3250521.html
最近更新
教材专著
