基于深度學(xué)習(xí)的視網(wǎng)膜光學(xué)相干斷層掃描圖像散斑噪聲抑制
發(fā)布時(shí)間:2021-03-06 19:25
光學(xué)相干斷層成像(OCT)技術(shù)可快速獲取微米級分辨率的眼部生物組織橫截面圖像,目前已成為視網(wǎng)膜成像的重要工具,為臨床醫(yī)生對眼科疾病的診斷和治療提供了幫助。由光波的多次前向和后向散射引起的散斑噪聲是引起OCT圖像質(zhì)量下降的主要因素。存在的散斑噪聲經(jīng)常掩蓋細(xì)微但重要的形態(tài)細(xì)節(jié),因此對觀測視網(wǎng)膜病變是不利的。它還影響基于OCT圖像的自動(dòng)處理和分析方法的性能。盡管在過去二十年中OCT的成像分辨率、速度和深度已經(jīng)大大改善,但作為成像技術(shù)固有問題的散斑噪聲尚未得到很好的解決。本文主要研究基于深度學(xué)習(xí)的視網(wǎng)膜OCT圖像散斑噪聲抑制方法,提出了兩種不同的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。本文提出的兩種方法均在采自Topcon DRI-1和Topcon 2000這兩種OCT儀器的視網(wǎng)膜圖像上進(jìn)行訓(xùn)練,用于訓(xùn)練的清晰圖像通過對同一正常眼睛重復(fù)采集、配準(zhǔn)并求平均得到。然后在不同儀器采集的9組正常及病變的三維視網(wǎng)膜OCT數(shù)據(jù)上進(jìn)行測試,共取36幀進(jìn)行定量分析,通過觀察去噪后圖像的視覺效果以及計(jì)算信噪比(SNR)、對比度噪聲比(CNR)、等效視數(shù)(ENL)、邊緣保持指數(shù)(EPI)這四個(gè)指標(biāo)來評價(jià)方法的性能。本文提出的第一種方法...
【文章來源】:蘇州大學(xué)江蘇省
【文章頁數(shù)】:70 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖1.1視N膜在OCT圖像上的形態(tài):??
第二章深度學(xué)習(xí)相關(guān)研宄基礎(chǔ)與應(yīng)用?基于深度學(xué)習(xí)的視網(wǎng)膜光學(xué)相干斷層掃描圖像散斑噪聲抑制??/(x)?=?max(〇,x)?(2_2)??函數(shù)圖像如圖2.2所示。和Sigmoid相比,ReLU求導(dǎo)簡單,收斂更快。當(dāng)然,ReLU??也容易導(dǎo)致訓(xùn)練過程中神經(jīng)元無法再激活的現(xiàn)象,于是也出現(xiàn)了?Leaky?ReLU、PReLU??等形式的改進(jìn)。??(4)池化層:也叫子采樣層,通過在特征圖上不斷滑動(dòng)池化窗口進(jìn)行采樣,實(shí)??現(xiàn)在不丟失重要信息的同時(shí)壓縮特征圖的維度。常用的池化方法有最大池化和平均池??化,最大池化是對池化窗口內(nèi)的元素求最大值,平均池化是對池化窗口內(nèi)的元素求平??均值。??1[?\?,〇[?/!??0.8?-?/?8?-?/??」::?/?:」:?/?:??/?會(huì)?5_?/??0.4?_?/?4?■?/??0.3?■?/?3???/??0.2???/?2?/??〇,?J?'?/??〇'?'?>??>?>?'?'?'?'??〇1?1?*?1?1?L?1?*???1???-10?-8-6-4-2?0?2?4?6?8?10?-10?-8?-6?-4?-2?0?2?4?6?8?10??X?X??圖2.1?Sigmoid函數(shù)圖像?圖2.2?ReLU函數(shù)圖像??(5)全連接層:輸入輸出的特征之間均有權(quán)重連接,也就是傳統(tǒng)的多層前饋神??經(jīng)網(wǎng)絡(luò),通常位于CNN的尾部,主要用于高層特征的融合和最終結(jié)果的預(yù)測。??與傳統(tǒng)的多層前饋祌經(jīng)網(wǎng)絡(luò)相比,CNN主要具有如下特點(diǎn):(1)局部感知:模??仿了生物視覺的感受野機(jī)制,對輸入數(shù)據(jù)的局部區(qū)域進(jìn)
圖2.4??個(gè)五層堆疊的密集塊??
本文編號:3067667
【文章來源】:蘇州大學(xué)江蘇省
【文章頁數(shù)】:70 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖1.1視N膜在OCT圖像上的形態(tài):??
第二章深度學(xué)習(xí)相關(guān)研宄基礎(chǔ)與應(yīng)用?基于深度學(xué)習(xí)的視網(wǎng)膜光學(xué)相干斷層掃描圖像散斑噪聲抑制??/(x)?=?max(〇,x)?(2_2)??函數(shù)圖像如圖2.2所示。和Sigmoid相比,ReLU求導(dǎo)簡單,收斂更快。當(dāng)然,ReLU??也容易導(dǎo)致訓(xùn)練過程中神經(jīng)元無法再激活的現(xiàn)象,于是也出現(xiàn)了?Leaky?ReLU、PReLU??等形式的改進(jìn)。??(4)池化層:也叫子采樣層,通過在特征圖上不斷滑動(dòng)池化窗口進(jìn)行采樣,實(shí)??現(xiàn)在不丟失重要信息的同時(shí)壓縮特征圖的維度。常用的池化方法有最大池化和平均池??化,最大池化是對池化窗口內(nèi)的元素求最大值,平均池化是對池化窗口內(nèi)的元素求平??均值。??1[?\?,〇[?/!??0.8?-?/?8?-?/??」::?/?:」:?/?:??/?會(huì)?5_?/??0.4?_?/?4?■?/??0.3?■?/?3???/??0.2???/?2?/??〇,?J?'?/??〇'?'?>??>?>?'?'?'?'??〇1?1?*?1?1?L?1?*???1???-10?-8-6-4-2?0?2?4?6?8?10?-10?-8?-6?-4?-2?0?2?4?6?8?10??X?X??圖2.1?Sigmoid函數(shù)圖像?圖2.2?ReLU函數(shù)圖像??(5)全連接層:輸入輸出的特征之間均有權(quán)重連接,也就是傳統(tǒng)的多層前饋神??經(jīng)網(wǎng)絡(luò),通常位于CNN的尾部,主要用于高層特征的融合和最終結(jié)果的預(yù)測。??與傳統(tǒng)的多層前饋祌經(jīng)網(wǎng)絡(luò)相比,CNN主要具有如下特點(diǎn):(1)局部感知:模??仿了生物視覺的感受野機(jī)制,對輸入數(shù)據(jù)的局部區(qū)域進(jìn)
圖2.4??個(gè)五層堆疊的密集塊??
本文編號:3067667
本文鏈接:http://sikaile.net/kejilunwen/shengwushengchang/3067667.html
最近更新
教材專著