基于背景重构的眼底视网膜图像的异常区域检测

发布时间：2021-05-15 15:06

　　眼底视网膜相关病变会损害患者的视力,严重时会导致失明。早期诊断与筛查可延缓眼底疾病的进一步发展,防止失明的发生。目前,基于特定类型病灶筛查的计算机辅助技术可从视网膜图像中检测指定类型的病灶,但对其他类型的病灶“视而不见”。本文拟研究视网膜图像中各类异常区域的检测问题,该问题是计算机辅助的视网膜影像读片中的关键环节。通常,视网膜图像中的病灶数量和类型未知,并且不同类型的病灶呈现出不同的视觉特征。这些因素使得检测视网膜图像中各种类型的异常区域十分困难。目前尚无有效的自动检测各种异常区域的方法。借鉴医生的视觉诊断模式,本文提出了有效的检测各种异常区域的方法。在该类方法中,首先收集大量正常视网膜图像作为先验知识,然后在先验知识指导下从测试图像中学习它的背景图像,从而从测试图像中分离出各类异常区域。本文的主要贡献和创新点如下:（1）提出从视网膜图像中检测各种异常区域的可行的计算方法。通过有效抑制不同视网膜图像的成像偏差和不同人视网膜血管个性化差异带来的干扰,将视网膜图像中各种异常区域的检测问题转化为视网膜图像的背景图像学习问题。基于视网膜图像中病灶和背景图像各自不同的的特性,提出两类有效的检测异... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：162 页

【学位级别】：博士

【文章目录】：
摘要
abstract
主要符号对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 视网膜图像中的异常区域检测面临的问题及解决思路
    1.4 提出的方法与相关方法的区别
        1.4.1 与特定类型病灶筛查方法的区别
        1.4.2 与视频背景建模方法的区别
    1.5 本文主要工作与组织结构
        1.5.1 本文的主要工作与创新点
        1.5.2 本文的组织结构
第二章 基于背景重构的异常区域检测的思想与计算框架
    2.1 引言
    2.2 临床医生的一些视觉诊断机制
    2.3 检测异常区域的思路
    2.4 构建合适的训练集
        2.4.1 空域对齐
        2.4.2 颜色归一化
        2.4.3 血管去除
    2.5 正常集合的低秩特性
    2.6 检测异常区域的计算框架
    2.7 实验数据集
    2.8 评价指标
    2.9 检测结果对临床的意义
    2.10 本章小结
第三章 基于正交基底编码的背景重构
    3.1 引言
    3.2 基于正交基重构的背景学习与候选病灶的检测
        3.2.1 基于正交基重构的背景学习
        3.2.2 基于正交基重构的候选病灶的检测
    3.3 基于局部视觉感知模型的病灶的检测
    3.4 实验结果
    3.5 讨论
        3.5.1 不同主分量对病灶检测结果的影响
        3.5.2 正交基底的表达能力
        3.5.3 可视边界识别规则的有效性分析
        3.5.4 血管对病灶检测结果的影响
        3.5.5 基于不同数据集的算法评估
        3.5.6 基于正交基底背景重构方法的优劣势分析
    3.6 本章小结
第四章 基于病灶稀疏特性的分层稀疏的背景重构
    4.1 引言
    4.2 基于稀疏编码的背景重构
    4.3 基于分层稀疏的背景重构
        4.3.1 粗背景子空间中的背景重构
        4.3.2 精细背景子空间中的背景重构
    4.4 实验结果
        4.4.1 临床医生对检测结果的评价
        4.4.2 基于分层稀疏学习背景的检测结果
        4.4.3 与相关方法的对比
    4.5 讨论
        4.5.1 分层稀疏学习的有效性分析
        4.5.2 分层稀疏学习方法与稀疏重构方法的对比
        4.5.3 不同阈值对分层稀疏背景学习方法的影响
        4.5.4 不同稀疏正则化参数对分层稀疏背景学习方法的影响
        4.5.5 方法讨论
    4.6 本章小结
第五章 基于病灶统计特性的背景重构
    5.1 引言
    5.2 字典学习与混合高斯编码模型
        5.2.1 问题描述
        5.2.2 模型的构建
        5.2.3 模型参数的求解
    5.3 实验结果
        5.3.1 提出的方法检测不同病灶的结果
        5.3.2 与相关方法的对比
    5.4 讨论
        5.4.1 不同原子个数对提出的方法的影响
        5.4.2 不同正则化参数对提出的方法的影响
        5.4.3 不同高斯模型数对提出的方法的影响
        5.4.4 不同字典学习方法对提出的方法的影响
        5.4.5 提出的方法学习背景的有效性分析
        5.4.6 方法讨论
    5.5 本章小结
第六章 基于背景低秩特性的双层低秩分解的背景学习
    6.1 引言
    6.2 基于双层低秩分解的背景学习方法
    6.3 实验结果
        6.3.1 提出的方法检测不同病灶的结果
        6.3.2 与相关方法的对比
    6.4 讨论
        6.4.1 不同稀疏正则化参数对低秩分解方法的影响
        6.4.2 不同训练子集对低秩分解方法的影响
        6.4.3 低秩分解和双层低秩分解方法的对比
        6.4.4 双层低秩分解方法在不同数据集上的评估
        6.4.5 方法讨论
    6.5 本章小结
第七章 总结与展望
    7.1 本文总结
    7.2 研究展望
参考文献
致谢
攻读学位期间发表的学术论文


【参考文献】：
期刊论文
[1]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)
[2]一种基于视觉模型的边缘检测阈值选择策略[J]. 侯志强,韩崇昭,郑林,肖李珍.  光电工程. 2004(02)

博士论文
[1]基于彩色视网膜图像的眼底病相关目标检测方法研究[D]. 戴百生.哈尔滨工业大学 2016

硕士论文
[1]糖尿病视网膜病变图像的渗出物自动检测算法研究[D]. 陈向.哈尔滨工业大学 2012



本文编号：3187851