糖网病眼底图像的聚类研究

发布时间：2020-07-22 04:27

【摘要】：糖尿病视网膜病变(Diabetic Retinopathy,DR)简称糖网病,是糖尿病的一种并发症,严重者在视网膜上产生新生血管以及视网膜前出血,从而致盲。基于糖网病眼底图像,目前利用深度学习技术构建的辅助诊断系统取得了初步成效,其诊断结果获得了专业医生的认可。但这类系统需要大量的标注数据作为训练样本,而这些训练数据往往需要眼科专家来标注。医生标注主要是根据主观经验总结,国际上对糖网病眼底图像的分级标准有多种,不同的医生采用不同的分级标准进行标注,因此不同的医生标注也有所差异。对糖网病眼底图像进行聚类分析,采用数据驱动策略发现其内在规律,实现糖网病眼底图像的分组,从而减轻医生标注工作量,同时也可以提供客观的标注。近年来,由于深度学习在特征表示上取得巨大成功,基于深度学习的聚类分析方法成为研究和应用的热点。本文则是从传统的聚类方法和基于深度学习的聚类方法两个方面进行分析。论文的主要内容包括:(1)在传统聚类分析中包括基于原图的传统聚类研究和基于图像特征的传统聚类研究。基于图像特征的传统聚类研究中主要考虑特征提取和聚类方法两个环节。在特征提取环节,开发了一个特征提取工具包,用于提取常见的图像特征。在聚类方法上,主要对比研究经典的K均值方法和谱聚类方法;其中K均值考虑了四种距离测度的K均值算法;谱聚类方法的邻接矩阵计算是关键,本文考虑了两种不同的邻接矩阵构建方式。(2)在基于深度学习的聚类分析中,本文应用了基于深度迁移特征的聚类方法和深度学习与聚类联合优化学习的方法。基于深度迁移特征的聚类方法是把迁移学习提取的特征用于聚类分析。本文采用VGGNet-19第17层提取的深度特征进行聚类分析。深度学习和聚类联合优化的框架中深度学习采用的是卷积神经网络,聚类方法采用了层次凝聚聚类,二者采用统一的三重加权损失函数进行联合优化。在糖网病眼底图像的聚类分析的实验中,实验数据采用公共数据集Messidor(四类,0-3级)和中山大学第一附属医院采集的数据集ZSUDR(两类,正异常)。文中利用准确率和纯度两个聚类评价指标来对上述聚类方法进行评估。由糖网病眼底图像聚类分析实验结果可知,基于深度迁移特征的聚类方法的聚类效果比传统的聚类方法有所提高。在ZSUDR数据集上,传统的聚类方法准确率为54.87%,纯度为0.6582。基于深度迁移特征的聚类方法准确率达到70.54%,纯度达到0.8209。实验结果表明了基于深度迁移特征的聚类方法在糖网病眼底图像聚类分析中的有效性。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;R587.2;R774.1
【图文】：

实例图,实例,局部对比,渗出物

图 1.3 糖网病眼底图像分级实例外研究现状网病眼底图像聚类分析的研究现状病眼底图像的聚类研究主要集中在糖网病眼底图像的病灶检测k 等人[12]运用模糊 C 均值聚类方法自动检测糖网病眼底图像的渗出物%，特异度达 99.24%。D.Santhi[13]等人提出了基于流形的 K 均值和模眼底图像的渗出物进行分割，该分割算法的准确率、特异度、敏感度分%。Padmalal 等人[14]提出空间模糊聚类算法对糖网病眼底图像的血管率高达 90%。Zhang 等应用局部对比增强结合区域生长方法检测硬性法先使用局部对比增强技术增强病灶信号，减小光照不均和其他噪声

医生,辅助诊断,分级标准,主要难点

糖网病眼底图像的辅助诊断需要大量的标注数据作为训练样本，数据时费力的工作。而且国际上对糖网病眼底图像的分级标准有多种，不的分级标准进行标注，医生对糖网病眼底图像的标注主要是根据主观生的标注存在差异。本文的研究目标是对糖网病眼底图像做聚类分析，从数据驱动，通过发现其内在规律，使用聚类方法对大量未标注的糖网病眼底图像实现减轻医生对医院中未标注的糖网病眼底图像的标注工作量的同时，图像的客观标注，为糖网病眼底图像的辅助诊断的研究提供便利。糖网病眼底图像标注的主要难点在于：（1）糖网病病情的发展是一个循序渐进变化的过程，糖网病眼底图像 1.4（a）、（b）所示，糖网病一级和二级之间差异很小。（2）眼底图像质量比较差。在采集眼底图像的过程中，由于眼底照医生的采集操作差异以及采集环境的差异，都会导致眼底图像的质量

数据集,可视化,图像

糖网病眼底图像的聚类研究的聚类性能并没有提高。2.3.2.2 定性评价运用 LargeVis 算法对 Messidor 数据集和 ZSUDR 数据集原图进行可视化，可视化果如图 2.2 和 2.3 所示。由 Messidor 和 ZSUDR 可视化结果可以看出两个数据集的原分布比较杂乱，不同类别之间不能区分开来，从而也验证了定量评价结果不好。

【参考文献】