近年來,糖尿病患者數(shù)量逐漸升高,由此引發(fā)的視網(wǎng)膜病變問題更加復(fù)雜多樣。由于眼底圖像中血管交錯縱橫且具有個體差異,醫(yī)生進(jìn)行診斷時需要花費(fèi)大量時間觀察血管結(jié)構(gòu)。因此本文基于深度學(xué)習(xí)設(shè)計血管分割模型,并對分割后圖像血管節(jié)點(diǎn)提取與分類,輔助醫(yī)生進(jìn)行診斷。具體研究內(nèi)容如下:針對糖尿病視網(wǎng)膜圖像分割問題,研究全卷積網(wǎng)絡(luò)模型、U-Net網(wǎng)絡(luò)模型以及Seg Net網(wǎng)絡(luò)模型,搭建Keras和Tensorflow深度學(xué)習(xí)算法平臺框架,優(yōu)化Python算法代碼,利用DRIVE開源數(shù)據(jù)集完成各模型的訓(xùn)練和測試。對比分析各模型算法的優(yōu)缺點(diǎn),為后續(xù)研究做準(zhǔn)備。針對U-Net網(wǎng)絡(luò)在分割效果上的不足之處進(jìn)行改進(jìn)。首先結(jié)合U-Net網(wǎng)絡(luò)分割速度快和Res Net網(wǎng)絡(luò)在增加網(wǎng)絡(luò)深度的同時減少訓(xùn)練誤差的優(yōu)點(diǎn),設(shè)計新的Resunet網(wǎng)絡(luò)對糖尿病視網(wǎng)膜圖像進(jìn)行分割。其次使用同一數(shù)據(jù)集對Resunet網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。最后與其他分割方法進(jìn)行對比分析,使用Dice系數(shù)和ROC曲線驗(yàn)證Resunet網(wǎng)絡(luò)能夠更好地完成糖尿病視網(wǎng)膜圖像分割任務(wù),并且加快網(wǎng)絡(luò)的運(yùn)算速度。利用Resunet網(wǎng)絡(luò)分割后的糖尿病視網(wǎng)膜血管圖像,設(shè)計兩種視網(wǎng)膜... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源
    1.2 研究背景及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 在圖像分割方面的研究現(xiàn)狀
        1.3.2 在視網(wǎng)膜血管節(jié)點(diǎn)提取與分類的研究現(xiàn)狀
    1.4 論文主要研究內(nèi)容
第2章 深度學(xué)習(xí)相關(guān)技術(shù)
    2.1 深度學(xué)習(xí)介紹
    2.2 深度卷積神經(jīng)網(wǎng)絡(luò)
    2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
        2.3.1 圖像預(yù)處理
        2.3.2 神經(jīng)網(wǎng)絡(luò)的構(gòu)建
        2.3.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.3.4 目標(biāo)數(shù)據(jù)的預(yù)測
        2.3.5 輸出結(jié)果的后處理
    2.4 深度學(xué)習(xí)常用開源框架
    2.5 本章小結(jié)
第3章 深度學(xué)習(xí)方法對糖尿病視網(wǎng)膜圖像分割
    3.1 糖尿病視網(wǎng)膜圖像分割流程
    3.2 全卷積網(wǎng)絡(luò)
        3.2.1 全卷積網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 全卷積網(wǎng)絡(luò)搭建
    3.3 U-Net網(wǎng)絡(luò)
        3.3.1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 U-Net網(wǎng)絡(luò)搭建
    3.4 Seg Net網(wǎng)絡(luò)
        3.4.1 Seg Net網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 Seg Net網(wǎng)絡(luò)搭建
    3.5 實(shí)驗(yàn)設(shè)計
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        3.5.2 評價標(biāo)準(zhǔn)
    3.6 訓(xùn)練過程及結(jié)果分析
        3.6.1 訓(xùn)練過程
        3.6.2 實(shí)驗(yàn)結(jié)果對比分析
    3.7 本章小結(jié)
第4章 改進(jìn)的Resunet網(wǎng)絡(luò)對糖尿病視網(wǎng)膜圖像分割
    4.1 Resunet網(wǎng)絡(luò)模型搭建
        4.1.1 殘差結(jié)構(gòu)
        4.1.2 t Resunet網(wǎng)絡(luò)設(shè)計
        4.1.3 優(yōu)化函數(shù)
        4.1.4 損失函數(shù)
    4.2 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
    4.3 圖像預(yù)處理
        4.3.1 擴(kuò)充數(shù)據(jù)集
        4.3.2 數(shù)據(jù)歸一化
        4.3.3 灰度化處理
        4.3.4 自適應(yīng)直方圖均衡化
    4.4 訓(xùn)練過程及結(jié)果分析
        4.4.1 訓(xùn)練過程
        4.4.2 實(shí)驗(yàn)結(jié)果對比分析
    4.5 本章小結(jié)
第5章 視網(wǎng)膜血管圖像特征點(diǎn)提取和分類
    5.1 視網(wǎng)膜血管節(jié)點(diǎn)特征分析
        5.1.1 全局特征和局部特征
        5.1.2 特征點(diǎn)檢測
    5.2 CPDA檢測技術(shù)
    5.3 骨架結(jié)構(gòu)的節(jié)點(diǎn)檢測
    5.4 視網(wǎng)膜分割圖像的節(jié)點(diǎn)檢測與分類
        5.4.1 節(jié)點(diǎn)檢測與分類算法
        5.4.2 實(shí)驗(yàn)過程及結(jié)果分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的絕緣子目標(biāo)識別方法研究[J]. 陳春玲,楊雪,周云成,王俊,朱浩祎,苑婷,于泳.  沈陽農(nóng)業(yè)大學(xué)學(xué)報. 2019(04)
[2]基于遷移學(xué)習(xí)的糖尿病視網(wǎng)膜病變輔助診斷算法[J]. 黃義勁,呂俊延,李萌,夏鴻慧,袁進(jìn),唐曉穎.  中華實(shí)驗(yàn)眼科雜志. 2019 (08)
[3]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的糖尿病視網(wǎng)膜病變病灶檢測算法及應(yīng)用[J]. 楊葉輝,劉佳,許言午,黃艷,王磊.  中華實(shí)驗(yàn)眼科雜志. 2019 (08)
[4]基于眼底圖像的視網(wǎng)膜血管分割方法綜述[J]. 向陳君,張新晨.  工業(yè)技術(shù)創(chuàng)新. 2019(02)
[5]用于卷積神經(jīng)網(wǎng)絡(luò)圖像預(yù)處理的目標(biāo)中心化算法[J]. 董秋成,吳愛國,董娜,馮偉.  中南大學(xué)學(xué)報(自然科學(xué)版). 2019(03)
[6]糖尿病視網(wǎng)膜病變臨床研究設(shè)計的思考:從隨機(jī)對照試驗(yàn)到真實(shí)世界研究[J]. 孫曉東,賈慧珣.  中華眼底病雜志. 2019 (02)
[7]自動化機(jī)器學(xué)習(xí)在眼部疾病識別及分類中的初步應(yīng)用[J]. 劉洋,史煜,曹雪倩,陳力迅,趙峰.  中國數(shù)字醫(yī)學(xué). 2019(03)
[8]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割技術(shù)[J]. 亢寒,張榮國,陳寬.  人工智能. 2018(04)
[9]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜血管圖像分割[J]. 吳晨玥,易本順,章云港,黃松,馮雨.  光學(xué)學(xué)報. 2018(11)
[10]傣文貝葉經(jīng)的圖像增強(qiáng)與二值化方法研究[J]. 鐘卿,余鵬飛,李海燕,陳瑞新.  云南大學(xué)學(xué)報(自然科學(xué)版). 2017(05)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D]. 陳鴻翔.浙江大學(xué) 2016



本文編號：3175337