基于共焦显微镜图像的真菌性角膜炎诊断算法研究

发布时间：2020-11-14 18:44

　　 真菌性角膜炎是一种角膜病变,由致病真菌感染角膜导致。真菌性角膜炎初期症状不明显、易混淆,若缺乏早期诊断与治疗,极易造成严重的并发症,甚至致盲。现有的临床诊断方法大多效果良好,但均有一定不足之处。其中,共焦显微镜是一种新型、无创的活体检查仪器,它能获取活体结构的高分辨率医学断层扫描图像,患者接受度高且阳性率好,但确诊依赖于医生的主观判断。在此背景下,本文对基于共焦显微镜图像的真菌性角膜炎诊断算法进行研究,通过图像识别技术实现共焦显微镜图像的高精度自动识别,为医生提供精准可靠的诊断信息。本文的研究难点在于对正常图像与异常图像中的关键结构进行区分。正常角膜图像可见角膜神经纤维、基质层等结构;感染真菌性角膜炎的异常角膜图像中,背景杂乱,可见各式真菌菌丝、孢子等结构。本文重点针对传统机器学习和深度学习两类算法的进行研究与实验,并在此基础上,针对角膜共焦显微镜图像特点,提出了“数据增广+图像融合”思路,对传统算法进行了一定改进,得到了具针对性、综合性能更好的算法框架,本文的主要工作和成果有:(1)在基于传统机器学习的真菌性角膜炎诊断算法研究中,本文确定了“特征提取+分类识别”的算法框架。针对特征提取算法,选用GLCM、PCA、2DPCA、MBP算法进行介绍与实验;并且,本文基于MBP、AMBP,改进并提出了更具鲁棒性、更适合本课题图像的ARBP算法。针对分类识别算法,选用KNN、LR、SVM算法进行介绍与实验。实验结果显示,传统机器学习方法在本课题中表现良好,ARBP为最佳特征提取方法,SVM为最佳分类识别方法,ARBP+SVM以98.24%取得了最高诊断准确率。但由于正负样本不均衡,具有特异性受限的缺点。(2)在基于CNN的真菌性角膜炎诊断算法研究中,本文对近年屡获突破的深度学习与CNN进行理论概述,且针对本课题图像特点,选用了三个经典的CNN网络进行介绍与实验,包括AlexNet、VGGNet和GoogLeNet。实验结果显示,三种CNN网络实现了对传统机器学习诊断效果的突破,并且克服传统机器学习算法特异性受限的缺点。三种网络中,22层的GoogleNet性能最好,达到99.73%的诊断准确率;8层AlexNet诊断准确率为99.35%,性能稍弱,但模型简单、训练速度快;16层VGG16由于网络参数量大、数据量小,诊断准确率为99.14%,性能最弱。(3)为追求医学领域精益求精的要求,本文提出“数据增广+图像融合”思路以探寻更契合本课题图像、性能更加优越的算法框架。首先,通过翻转方式对正常图像进行增广,以解决数据量有限、正负样本分布不均问题;其次,提出SCS算法进行图像预处理,以突出图像关键结构,滤除无关信息;再次,分别采用MF、HMF算法将SCS增强图像与原始图像进行融合,形成新型算法框架与数据集;最后,分别将传统机器学习算法框架和深度学习网络融入新型算法框架,进行实验。实验结果显示,两种新型算法框架使传统机器学习算法、AlexNet和VGG16的算法性能均有不同程度的提高,且基于HMF的新型框架更胜一筹。最终,“数据增广+HMF+AlexNet”以99.95%的诊断准确率,实现了诊断效果与计算复杂度的完美权衡,成为基于共焦显微镜图像的真菌性角膜炎诊断算法中综合性能最高的算法框架。
【学位单位】：山东大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R772.21;TP391.41
【部分图文】：

?一定程度上克服现有诊断方法的缺点。??共焦显微镜能够对角膜进行细胞级成像，如图１－１所示，正常角膜共焦显微镜??图像背景较清晰，可见角膜神经纤维等结构；感染真菌性角膜炎的角膜共焦显微??镜图像背景杂乱，多见菌丝，也可能存在真菌孢子、病变体等结构，神经纤维被??掩盖。菌丝结构是感染真菌性角膜炎的典型症状，菌丝的数量和形态是临床诊断??中最重要的依据，因此识别不同图像中的关键结构为本课题研宄的难点。为解决??这个问题，本文重点探宄基于传统机器学习和基于深度学习的真菌性角膜炎诊断??算法，且针对角膜共焦显微镜图像特点，本文提出“数据增广＋图像融合”思路，??对现有算法进行了一定改进，得到新型算法框架，以提高算法的准确性与鲁棒性。??圓??（ａ）?（ｂ）??图１－１?（ａ）正常角膜共焦显微镜图像示例；（ｂ）感染真菌性角膜炎的异常角膜共焦显微镜图像??示例??本文的组织结构安排如下：??第一章：调研并分析了该课题研究背景、意义与医学图像分析技术的研宄现??状

同角度、有目的地去除图像冗余信息，提取内部关键特征，获得维度较低的特征??向量或特征矩阵；分类识别采用不同分类策略实现分类，并通过特征训练不断优??化分类模型。基于传统机器学习的真菌性角膜炎诊断算法流程如图２－１所示，其中，??蓝色框图代表训练过程，橙色框图代表测试过程。??｜?人眼角膜共????训练数据?焦显微镜?测试数据??图像??Ｉ?特征提取??１?…?ＪＩ??特征提取?＾?ｍｍｉｌ?—?分类识别模型??????”??????ＸＺ???分类识别结果??图２－１基于传统机器学习的真菌性角膜炎诊断算法框图??本章采用传统机器学习算法对角膜共焦显微镜图像识别问题进行特征提取和??分类识别，并进行一定算法创新。其中，本章采用的传统特征提取算法包括??ＧＬＣＭ［３９４（）］、ＰＣＡ［４１］、２ＤＰＣＡ［４２］、ＭＢＰ［４３］，针对图像特点，本文对课题组提出的??６??

ＬＲＭ属于广义线性回归模型。线性回归是统计分析方法，其对一个或多个自??变量和因变量之间进行数学建模，通过数据训练优化回归参数。ＬＲ将Ｓｉｇｍｏｉｄ函??数（如图２－３）设为回归模型，将因变量取值严格控制在（０，１）范围内，克服了其??他回归模型输出值范围大的缺点，并通过训练不断探寻自变量与因变量间的关系，??不断优化模型参数。ＬＲ中，因变量表征了样本归为某一类的概率，能够对归类概??率进行预测。??设有训练集公＝仁４?ｅｉＴ｝，逻辑回归模型的函数表达式如式（２－１３）所示：??ｈｅ（ｘ）?＝?ｇ（ｅＴｘ）?＝?－＾?（２－１３）??１?＋?ｅ??１３??
【参考文献】

相关期刊论文 前8条

1 王连喜;刘宏巨;;真菌性角膜炎的实验室常规检测方法[J];检验医学与临床;2012年05期

2 周贤善;;医学图像处理技术综述[J];福建电脑;2009年01期

3 段锐;管一弘;;医学图像自动多阈值分割[J];计算机应用;2008年S2期

4 李淼;张林;;真菌性角膜炎的研究进展[J];国际眼科杂志;2008年02期

5 刘俊敏;黄忠全;王世耕;张颍;;医学图像处理技术的现状及发展方向[J];医疗卫生装备;2005年12期

6 程蕾;张明昌;;真菌性角膜炎诊断常规及新进展[J];临床眼科杂志;2005年05期

7 王曙燕,耿国华,李丙春;决策树算法在医学图像数据挖掘中的应用[J];西北大学学报(自然科学版);2005年03期

8 谢立信,李绍伟,史伟云,韩冬生;共焦显微镜在真菌性角膜炎临床诊断中的应用[J];中华眼科杂志;1999年01期

本文编号：2883831