基于深度学习的糖尿病视网膜眼底图像病变分析算法研究

发布时间：2020-10-28 01:52

　　 近年来,糖尿病已成为严重影响人们身体健康的病变之一。据统计,到2016年底,我国患有糖尿病的患者已达到1.1亿人,占国内成年人口的10%。糖尿病是一种发病率较高的慢性病,且常伴随一些较严重的并发症,如糖尿病心血管并发症和糖尿病视网膜病变等。但早期的糖尿病不易发觉,而视网膜图像的渗出、出血和微动脉等病变,能够较早发现并确诊糖尿病,故现被世界卫生组织(WHO)广泛用于糖尿病筛查。结合我国医疗资源紧张等现状,设计一款糖尿病视网膜病变辅助诊断系统具有十分重大的意义。鉴于近年来深度学习在图像识别领域取得了突破性进展,本文利用深度学习方法对糖尿病视网膜眼底图像病变展开研究。渗出是糖尿病视网膜病变中主要的一种,对渗出进行检测和分析,具有重要的糖尿病视网膜筛查和临床诊断意义。本文利用深度学习方法,提出了一种基于Unet的多输出卷积神经网络结构来对渗出位置进行检测。针对实验样本正负不均衡导致的网络难以训练的问题,本文提出了一种基于L1范数的困难样本挖掘方法来加速网络收敛。该分割网络在三个公开数据库DIARETDB1、HEI-MED、Messidor上测试得到的ROC曲线下的面积AUC分别为0.96、0.94、0.91。相对于其他工作,本文的方法在DIARETDB1数据库上取得最好的效果。在糖尿病视网膜筛查中,常常只需要对整张图像的病变有无进行分类或严重程度进行分析,因此本文提出了一种基于大规数据模驱动的深度学习方法,即设计了一个25层的卷积神经网络来提取病变特征和一个5层的多层感知机作为病变分类器。由于特征提取网络层数过多和训练数据有限,我们使用了迭代训练的思路,即分三个步骤依次从浅到深训练网络参数。在特征生成阶段,我们利用图像增强的方法将一张图片变为多张图片,然后将这些图片送入到特征提取网络中提取特征,最后将这多张图片特征的均值和方差作为分类器的输入。另外我们也采用模型融合的方法,即设计两个分类网络,将其结果求平均作为系统最终输出的分类结果。分类系统在Kaggle数据库的一个包含6000张图片的子集中得到55.13%的准确率。同时也在公开数据集e_optha上做二分类(有病与正常)测试,得到的灵敏度为94.36%,特异度为88%。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TP18;R587.2;R774.1
【部分图文】：

它能将外界光线信息转化为大脑可以处理的信息，而相机的感光底片就是视网膜。相比照相机，人眼对物体的大小、对比度、亮度等属性有着极强的适应性。眼球位于眼眶内，主要由眼球壁和内容物两部分组成。其结构如图1–1所示。眼球壁从内到外分为视网膜、血管膜、纤维膜。内容物包含晶状体、眼房水和玻璃体等无色透明的折光结构。图 1–1 眼球的基本结构, 摘自 [1].Fig 1–1 Anatomy of human eye.纤维膜包括角膜、巩膜、前房角。其中角膜的神经末梢比较敏感，一旦有异物入侵，便会引起眼睑自动闭合以保护眼睛。为了保持透明特性，角膜并没有血管，通过泪液和房水汲取养分。巩膜占据区域较大，其前方接触角膜，交界处的巩膜静脉窦控制房水的排出，以维持眼球内正常的压力。巩膜位于眼眶最后方且呈白色，故常称为“白眼球”。— 1 —

底摄影中使用专门的眼底照相机，该照相机包括闪光照相机和复杂显微镜两部分组成。在眼底照片上可以看到的主要结构是视网膜中央和周边、血管、视神经盘和黄斑，如图1–2所示。由于视盘靠近鼻侧，故图的左边展现的为右眼图片，右图展示左眼图片。同时眼底图像为人体唯一可肉眼观察到血管的地方，故医生可以在对血管无任何损伤的条件下，通过观察血管的粗细和变化来对人的身体健康和循环系统进行分析。另外在年轻人的眼底图像中会存在靠近血管的区域比其他区域偏亮的正常情况，如图1–2所示。眼底相机按是否散瞳分为两种。免散瞳相机利用高感光的基本原理，通过提高相机的感光能力在不需要放大瞳孔的情况下利用较低光线就能达到比较好的拍摄效果。相机相对于传统检验镜，有诸多优点，譬如不需要专业医生，经过培训的医疗人员即可胜任拍摄工作。拍摄出的眼底图片作为宝贵的医学资料，有助于帮助病人自己和医生了解病情演变情况

有极大的便利之处。从计算机视觉的角度，糖尿病视网膜病变主要有 4 种，即微动脉瘤、渗出、出血、棉絮斑，其对应的结构表现如图1–3。首先，在眼底图像上出现被称为微动脉瘤的红色图 1–3 糖尿病视网膜常见眼底病变类型.Fig 1–3 Regular indicators of diabetic retinopathy.小点状，是眼底血液的早期标志物。微动脉瘤往往很小，甚至只有几十个像素点，在检测过程中容易被背景噪声或者血管末端所干扰，故很难被计算机发现。另外渗出是指黄色的小斑点，大小不一，边界较为清楚。出血指眼底图像上因为血液溢出而在视网膜上形成的红色的小斑点。最后一个是棉絮斑，其颜色偏白，边界不清，因神经纤维的损伤而产生的病变。检测这些病变存在很多挑战。对于一个专业医生而言，区分出血、微动脉瘤和一些血管末端都比较困难，因为较小的出血病变和微动脉瘤在颜色、几何、纹理等方面和血管网络的细微末端极其相似。渗出和视盘的颜色也较为相似。正因为如此
【相似文献】

相关期刊论文 前10条

1 高宏杰;邱天爽;丑远婷;周明;张晓博;;基于改进U型网络的眼底图像血管分割[J];中国生物医学工程学报;2019年01期

2 吉浩;刘灵;李璐;赵丹丹;;眼底图像处理与分析中的关键技术研究[J];中国继续医学教育;2018年27期

3 曹米莎;程建新;陈昱昆;庞博;王剑锋;詹增荣;邝健;周少博;李辉;梁纳;袁永刚;卢毓敏;陈悦玲;;眼底图像检验系统对眼底的临床观察与研究[J];临床医学工程;2013年01期

4 刘爱珍,马斌荣,徐亮,杨桦,孙秀英;眼底图像融合[J];中国医学影像技术;2003年11期

5 陆辉辉;夏海英;;基于机器学习对眼底图像视网膜血管分割方法[J];广西物理;2018年Z1期

6 高玮玮;程武山;沈建新;左晶;张爱华;;免散瞳眼底图像在糖尿病视网膜病变自动筛查中的应用[J];激光生物学报;2015年04期

7 杨艳;邵枫;;基于双字典学习的眼底图像血管分割[J];光电子·激光;2019年02期

8 盛韩伟;戴培山;刘智航;张文妙韵;赵亚丽;范敏;;基于拓扑结构的眼底图像分割评价新方法[J];生物医学工程学杂志;2015年05期

9 呙明;陈长征;刘剑萍;聂尚武;;一款适用于糖尿病视网膜病变远程筛查的软件[J];眼科;2010年01期

10 姜平;窦全胜;王晶;;基于局部自适应点特异度阈值的眼底图像血管分割方法研究[J];南京大学学报(自然科学);2015年01期

相关博士学位论文 前10条

1 周磊;深度学习在糖网病筛查中的研究与应用[D];上海交通大学;2018年

2 熊荔;基于彩色眼底图的图像分析与疾病自动诊断算法研究[D];北京理工大学;2017年

3 连剑;多光谱眼底图像处理算法研究[D];山东师范大学;2019年

4 张欣鹏;彩色眼底图像微动脉瘤检测方法研究[D];天津工业大学;2017年

5 姜平;眼底图像分割方法研究[D];吉林大学;2018年

6 韩松涛;眼底图像的血管特征分析[D];吉林大学;2010年

7 金凯;重要眼病基于计算机辅助图像分析诊断技术研究[D];浙江大学;2018年

8 高玮玮;眼底图像分割算法及应用研究[D];南京航空航天大学;2013年

9 姚畅;眼底图像分割方法的研究及其应用[D];北京交通大学;2009年

10 王玉亮;眼底图像处理与分析中的关键技术研究[D];南京航空航天大学;2012年

相关硕士学位论文 前10条

1 吴广贤;基于图像处理的糖尿病视网膜病变辅助诊断研究[D];华北水利水电大学;2019年

2 李英;眼底图像中微小目标检测算法的研究与实现[D];电子科技大学;2019年

3 刘江明;眼底图像的糖网病变分类研究与实现[D];电子科技大学;2019年

4 徐宏;基于眼底图像的糖尿病视网膜病变智能诊断[D];电子科技大学;2019年

5 向陈君;眼底图像的血管分割与基于视盘定位的渗出物检测[D];华中师范大学;2019年

6 王亚敏;全卷积神经网络在眼底图像结构中的应用研究[D];电子科技大学;2019年

7 王煜杰;眼底图像病变区域的提取与识别[D];电子科技大学;2019年

8 石小周;基于生成式对抗网络眼底图像生成与深度学习血管分割[D];北京交通大学;2019年

9 商逸凡;基于数据增强的糖尿病性视网膜病变检测[D];北京交通大学;2019年

10 周叶萍;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[D];华南理工大学;2019年

本文编号：2859389