發(fā)布時(shí)間：2021-07-24 08:18

　　全身性動(dòng)脈硬化會(huì)導(dǎo)致血液循環(huán)停滯,甚至引發(fā)梗死。視網(wǎng)膜動(dòng)脈硬化是全身性動(dòng)脈硬化的典型表現(xiàn),且視網(wǎng)膜血管是唯一可進(jìn)行無(wú)創(chuàng)觀察的血管,因此可通過(guò)定期視網(wǎng)膜動(dòng)脈硬化檢測(cè)了解全身動(dòng)脈血管的硬化程度,及時(shí)采取醫(yī)療手段對(duì)病情進(jìn)行干預(yù)。目前,醫(yī)生憑借經(jīng)驗(yàn)觀察眼底圖像實(shí)現(xiàn)視網(wǎng)膜動(dòng)脈硬化診斷,但該方法工作量大、效率低,不適用于大規(guī)模人口疾病普查,所以當(dāng)前急需一種自動(dòng)檢測(cè)方法。視網(wǎng)膜動(dòng)脈硬化可通過(guò)判斷眼底圖像中動(dòng)脈反光帶相對(duì)于動(dòng)脈血管的灰度和寬度是否增加來(lái)確定,因此視網(wǎng)膜動(dòng)脈硬化檢測(cè)方法首先需要分割得到動(dòng)脈血管和動(dòng)脈反光帶,并基于此進(jìn)行視網(wǎng)膜動(dòng)脈硬化檢測(cè)。針對(duì)動(dòng)脈血管及動(dòng)脈反光帶的分割任務(wù),本文提出基于改進(jìn)型編解碼網(wǎng)絡(luò)的動(dòng)脈血管和動(dòng)脈反光帶的分割方法。首先,在樣本制作中,對(duì)動(dòng)靜脈血管及動(dòng)脈反光帶進(jìn)行標(biāo)注,靜脈血管的標(biāo)注有助于網(wǎng)絡(luò)減少因動(dòng)靜脈血管特征相似而引起的錯(cuò)誤分割;其次,結(jié)合Inception Res Net V2模塊和殘差注意力機(jī)制模塊改進(jìn)編解碼網(wǎng)絡(luò)Seg Net,Inception Res Net V2模塊使網(wǎng)絡(luò)能提取到多尺度特征,殘差注意力機(jī)制模塊可增強(qiáng)網(wǎng)絡(luò)的特征聚焦能力,能更好地將動(dòng)靜脈血管及... 

【文章來(lái)源】：天津工業(yè)大學(xué)天津市

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

正常視網(wǎng)膜眼底圖像

二種則是在全身性疾病基礎(chǔ)上出現(xiàn)的視網(wǎng)膜動(dòng)脈硬化。如果只是單純性老年生理性視網(wǎng)膜動(dòng)脈硬化，并且無(wú)高血壓和糖尿病等全身疾患，同時(shí)也無(wú)其他眼部異常情況，那么僅需要定期隨訪、注意飲食即可，但如果是第二種情況，那么說(shuō)明全身血管都處于病變中，其危險(xiǎn)性取決于動(dòng)脈血管的硬化程度。視網(wǎng)膜動(dòng)脈硬化會(huì)對(duì)視網(wǎng)膜動(dòng)脈血管的管徑和亮度產(chǎn)生影響[7]，導(dǎo)致患者的眼底動(dòng)脈血管管壁光學(xué)密度增加，管腔縮小而變窄，產(chǎn)生反射亢進(jìn)，表現(xiàn)為視網(wǎng)膜動(dòng)脈硬化不同時(shí)期的血管反射頻帶和反射亮度的變化[8-9]。存在視網(wǎng)膜動(dòng)脈硬化的眼底圖像如圖1-2所示。當(dāng)出現(xiàn)動(dòng)脈硬化時(shí)，動(dòng)脈反光帶加寬，血柱顏色由正常紅色變成金屬亮銅色，如圖1-2中第1、2幅圖所示。當(dāng)動(dòng)脈硬化持續(xù)加重時(shí)，血管呈白色銀絲反光，如圖1-2中第3幅圖所示。圖1-2視網(wǎng)膜動(dòng)脈硬化的眼底圖像對(duì)比在中國(guó)有上百萬(wàn)眼科疾病患者，但眼科醫(yī)生僅有3.5萬(wàn)人。眼科疾病的診斷需要耗費(fèi)醫(yī)生大量時(shí)間去分析眼底圖像，存在工作量大、效率低的缺點(diǎn)，所以人工檢查的方法已不適用于大規(guī)模眼科疾病的普查。臨床上，醫(yī)生對(duì)于視網(wǎng)膜動(dòng)脈硬化的診斷方法主要是憑借經(jīng)驗(yàn)對(duì)眼底圖像進(jìn)行觀察，通過(guò)判斷動(dòng)脈反光帶相對(duì)于動(dòng)脈血管的反光程度和寬度是否增加，從而判定眼底圖像是否存在視網(wǎng)膜動(dòng)脈硬化。因此，本文將寬度比(動(dòng)脈反光帶與動(dòng)脈血管寬度之比)和灰度比(動(dòng)脈反光帶平均灰度與動(dòng)脈血管平均灰度之比)統(tǒng)稱為反光帶參數(shù)，并將其作為視網(wǎng)膜動(dòng)脈硬化檢測(cè)的主要依據(jù)。為了計(jì)算反光帶參數(shù)，需要分割提取出眼底圖像中的動(dòng)脈血管和動(dòng)脈反光帶，再對(duì)其進(jìn)行灰度擬合，從而實(shí)現(xiàn)視網(wǎng)膜動(dòng)脈硬化檢測(cè)。視網(wǎng)膜動(dòng)脈硬化檢測(cè)主要存在兩個(gè)關(guān)鍵問(wèn)題，分別是動(dòng)脈血管和動(dòng)脈反光帶的分割、視網(wǎng)膜動(dòng)脈硬化的定量檢測(cè)。一方面，視網(wǎng)膜血管的分割

?募虻ズ透叢酉赴?娜斯ね?紓??鏝eocognitron包括幾個(gè)卷積層，其感受野具有權(quán)重向量，能夠識(shí)別模式并且保持不受位置變化的影響。Fukushima的Neocognitrn可以說(shuō)是第一個(gè)神經(jīng)網(wǎng)絡(luò)，被認(rèn)為啟發(fā)了當(dāng)今的卷積神經(jīng)網(wǎng)絡(luò)研究。1989年，法國(guó)科學(xué)家YannLeCun將一種后向傳播風(fēng)格的學(xué)習(xí)算法應(yīng)用于Fukushima的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。因此，LeCun幾年后發(fā)布了LeNet-5[30]，這是第一個(gè)被引入且其基本成分至今仍然在卷積神經(jīng)網(wǎng)絡(luò)中使用的現(xiàn)代網(wǎng)絡(luò)。隨后，LeNet-5網(wǎng)絡(luò)被應(yīng)用于角色識(shí)別和閱讀郵政編碼的商業(yè)產(chǎn)品中。卷積神經(jīng)網(wǎng)絡(luò)演變過(guò)程如圖2-1所示。圖2-1卷積神經(jīng)網(wǎng)絡(luò)演變過(guò)程隨著計(jì)算機(jī)硬件平臺(tái)的發(fā)展，計(jì)算機(jī)運(yùn)算速度更快、功能更強(qiáng)大。研究人員可以訪問(wèn)大型標(biāo)記的高維視覺(jué)數(shù)據(jù)集，能夠充分訓(xùn)練深度學(xué)習(xí)模型。2012年，多倫多大學(xué)團(tuán)隊(duì)參加了每年ImageNet舉辦的大規(guī)模視覺(jué)識(shí)別競(jìng)賽(ImageNetLargeScaleVisualRecognitionChallenge,ILSVRC)[31]，團(tuán)隊(duì)提出的AlexNet網(wǎng)絡(luò)[32]直接將圖像分類的錯(cuò)誤率從26%降低到16.4%。接下來(lái)幾年中，ILSVRC中

【參考文獻(xiàn)】：
期刊論文
[1]基于梯度二階導(dǎo)數(shù)的Canny閾值自適應(yīng)選取算法[J]. 趙婭琳,陶青川,盧倩雯,劉蔓霄.  科學(xué)技術(shù)與工程. 2018(14)
[2]基于改進(jìn)sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 黃毅,段修生,孫世宇,郎巍.  計(jì)算機(jī)測(cè)量與控制. 2017(02)
[3]基于匹配濾波和自動(dòng)閾值的眼底血管分割方法[J]. 曹新容,薛嵐燕,林嘉雯,余輪.  電子測(cè)量與儀器學(xué)報(bào). 2017(01)
[4]基于HESSIAN增強(qiáng)和形態(tài)學(xué)尺度空間的視網(wǎng)膜血管分割[J]. 于揮,王小鵬.  計(jì)算機(jī)應(yīng)用與軟件. 2016(08)
[5]圖像邊緣檢測(cè)算法研究與分析[J]. 宋曙光.  光機(jī)電信息. 2010(09)
[6]教職工眼底動(dòng)脈硬化檢查及分析[J]. 趙怡紅,趙芳玲,趙玉新,李雪.  中國(guó)熱帶醫(yī)學(xué). 2005(09)
[7]視網(wǎng)膜動(dòng)脈硬化與腦動(dòng)脈硬化檢查的對(duì)比研究[J]. 王素君,葉軍,陳東芹.  中西醫(yī)結(jié)合眼科雜志. 1998(03)
[8]基于高斯擬合的中軸反光度測(cè)量[J]. 陶波,鄭筱祥.  浙江大學(xué)學(xué)報(bào)(自然科學(xué)版). 1998(02)

碩士論文
[1]基于視頻的多人臉檢測(cè)與跟蹤算法的研究[D]. 田雄.杭州電子科技大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的地物圖像分類方法研究[D]. 宋超峰.中北大學(xué) 2018
[3]深度卷積網(wǎng)絡(luò)中的自適應(yīng)激活函數(shù)研究[D]. 劉華.華南理工大學(xué) 2018
[4]基于二階池化和超完備表示的深度學(xué)習(xí)人臉識(shí)別研究[D]. 鄧啟力.哈爾濱工業(yè)大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究[D]. 葉浪.東南大學(xué) 2015
[6]一種基于貝葉斯檢測(cè)理論的視網(wǎng)膜圖像血管跟蹤算法[D]. 張佳.北京理工大學(xué) 2015
[7]基于形態(tài)學(xué)的血管圖像分割技術(shù)研究及其應(yīng)用[D]. 吳立仁.華北電力大學(xué)（北京） 2010



本文編號(hào)：3300292