【摘要】：近年來,人工智能技術得到快速發(fā)展,己經(jīng)得到了社會各界的廣泛關注。人工智能技術和現(xiàn)代醫(yī)療設備相結(jié)合,通過一定的計算機技術為疾病的診斷提供可靠的依據(jù),已經(jīng)成為現(xiàn)代醫(yī)療技術的發(fā)展趨勢。視網(wǎng)膜眼底圖像攜帶著對人體糖尿病診斷有重要作用的病理信息,傳統(tǒng)的視網(wǎng)膜眼底圖像的處理,在大多數(shù)情況下受制于醫(yī)生經(jīng)驗,效率不高,本文充分利用人工智能技術構建了一套基于web的糖尿病眼底圖像自動分類系統(tǒng)。本文主要做了如下工作:1.在視網(wǎng)膜眼底特征子圖像的提取階段,采用改進后的U-net網(wǎng)絡對原始的視網(wǎng)膜眼底圖像提取血管、出血點以及滲出物的特征子圖像,融合三種特征子圖像的結(jié)果,為之后分類網(wǎng)絡的特征圖像的輸入做準備。2.視網(wǎng)膜眼底圖像分類網(wǎng)絡的實現(xiàn),本文中的主干網(wǎng)絡采用經(jīng)典的Inception-ResNet-v2網(wǎng)絡和Xception網(wǎng)絡進行對比實驗,設計雙塔分類網(wǎng)絡模型,采用基于ImageNet遷移學習的參數(shù)初始化方式對分類網(wǎng)絡進行訓練。3.使用遺傳算法對網(wǎng)絡提取出來的特征向量進行加權融合,并且使用支持向量機進行分類。4.基于web的糖尿病性視網(wǎng)膜病變眼底圖像檢測可視化頁面的實現(xiàn),以Node.js作為開發(fā)語言,結(jié)合本文糖尿病等級自動分類結(jié)果進行相應可視化展示,以及自動診斷報告的輸出,在瀏覽器端實現(xiàn)糖尿病性視網(wǎng)膜病變級別的自動分類。本文的研究通過深度網(wǎng)絡進行特征子圖像的提取,以及糖尿病性視網(wǎng)膜眼底圖像的自動分類,力爭通過原始圖像與有監(jiān)督的特征子圖像融合的方式來提升糖尿病性視網(wǎng)膜病變等級自動分類準確度,同時實現(xiàn)糖尿病性視網(wǎng)膜圖像分類流程以及分類結(jié)果的可視化,不僅大大地提升了醫(yī)生的診斷效率,還在一定程度上推進了研究成果落地實用的進程。
【圖文】：

出病變及時治療具有重要的意義。臨床上，根據(jù)是否出現(xiàn)新生視網(wǎng)膜血管，，將糖逡逑尿病性視網(wǎng)膜病變分為增殖性的視網(wǎng)膜病變和非增殖性的視網(wǎng)膜病變兩類。此外逡逑視網(wǎng)膜毛細血管的病變，主要表現(xiàn)為眼底出血點和眼底滲出物等，如圖２－１所示。逡逑眼底血管．邐眼逡逑Ｅｎ＇ｆｍ＇逡逑ｌｘ逡逑眼底出血點逡逑圖２－１眼底圖像結(jié)構標注圖逡逑７逡逑

通道的權重，Ｒ、Ｇ和Ｂ分別表示紅色、綠色和藍色通道，這三個值的和為１．０，逡逑其中０．５８７為最大的權重，對應著原始圖像的Ｇ通道，因為該通道包含的信息最逡逑多，對應的圖像也最清晰。圖２－４展示的是灰度轉(zhuǎn)換前后的圖像。在圖２－４中，逡逑圖２－４（ａ）為原始圖像，圖２－４（ｂ）為灰度化后的圖像。逡逑（ａ）原始圖像邐（ｂ）灰度化圖像逡逑圖２－４圖像灰度化逡逑２．２．２圖像標準化和歸一化逡逑由于原始圖像的像素值范圍變化很大，因此分類算法的目標函數(shù)在沒有標準逡逑化的情況下可能無法很好地處理圖像的原始特征［１８］。如果原始圖像中的某一特逡逑征具有廣泛的取值范圍，則該特征可能會嚴重影響到最后的分類效果。因此，在逡逑執(zhí)行分類任務之前，應將所有的特征的取值范圍規(guī)范化到一定范圍，以保持特性逡逑之間的平衡權重。本文中使用的歸一化方法如公式（２－３）所示。逡逑Ｘ－N逡逑Ｘ－ｍｉｄ＝邋Ｌ邐ａ－邋＾邐（２－２）逡逑１１逡逑
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183;R587.2;R770.4

【相似文獻】

相關期刊論文 前10條

1 高宏杰;邱天爽;丑遠婷;周明;張曉博;;基于改進U型網(wǎng)絡的眼底圖像血管分割[J];中國生物醫(yī)學工程學報;2019年01期

2 吉浩;劉靈;李璐;趙丹丹;;眼底圖像處理與分析中的關鍵技術研究[J];中國繼續(xù)醫(yī)學教育;2018年27期

3 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗系統(tǒng)對眼底的臨床觀察與研究[J];臨床醫(yī)學工程;2013年01期

4 劉愛珍,馬斌榮,徐亮,楊樺,孫秀英;眼底圖像融合[J];中國醫(yī)學影像技術;2003年11期

5 陸輝輝;夏海英;;基于機器學習對眼底圖像視網(wǎng)膜血管分割方法[J];廣西物理;2018年Z1期

6 高瑋瑋;程武山;沈建新;左晶;張愛華;;免散瞳眼底圖像在糖尿病視網(wǎng)膜病變自動篩查中的應用[J];激光生物學報;2015年04期

7 楊艷;邵楓;;基于雙字典學習的眼底圖像血管分割[J];光電子·激光;2019年02期

8 盛韓偉;戴培山;劉智航;張文妙韻;趙亞麗;范敏;;基于拓撲結(jié)構的眼底圖像分割評價新方法[J];生物醫(yī)學工程學雜志;2015年05期

9 咼明;陳長征;劉劍萍;聶尚武;;一款適用于糖尿病視網(wǎng)膜病變遠程篩查的軟件[J];眼科;2010年01期

10 姜平;竇全勝;王晶;;基于局部自適應點特異度閾值的眼底圖像血管分割方法研究[J];南京大學學報(自然科學);2015年01期

相關會議論文 前6條

1 王子亮;潘林;余輪;;基于矢量方法的眼底圖像預處理[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

2 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗系統(tǒng)對眼底的臨床觀察與研究[A];“廣東省光學學會2013年學術交流大會”暨“粵港臺光學界產(chǎn)學研合作交流大會”會議手冊論文集[C];2013年

3 唐甜華;唐建清;聶天宇;王貴學;葉志義;;基于眼底圖像的視網(wǎng)膜血管三維重建[A];第十二屆全國生物力學學術會議暨第十四屆全國生物流變學學術會議會議論文摘要匯編[C];2018年

4 黃君鑫;;紅外眼底鏡的研究[A];中國光學學會2006年學術大會論文摘要集[C];2006年

5 陳驥;彭承琳;劉成冬;;眼底照相機圖像采集處理系統(tǒng)設計[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

6 ;外賓介紹[A];中國眼底病論壇·全國眼底病專題學術研討會論文匯編[C];2008年

相關博士學位論文 前10條

1 張欣鵬;彩色眼底圖像微動脈瘤檢測方法研究[D];天津工業(yè)大學;2017年

2 姜平;眼底圖像分割方法研究[D];吉林大學;2018年

3 韓松濤;眼底圖像的血管特征分析[D];吉林大學;2010年

4 金凱;重要眼病基于計算機輔助圖像分析診斷技術研究[D];浙江大學;2018年

5 高瑋瑋;眼底圖像分割算法及應用研究[D];南京航空航天大學;2013年

6 姚暢;眼底圖像分割方法的研究及其應用[D];北京交通大學;2009年

7 王玉亮;眼底圖像處理與分析中的關鍵技術研究[D];南京航空航天大學;2012年

8 李居朋;眼底圖像處理與分析中一些關鍵問題的研究[D];北京交通大學;2009年

9 王少澤;基于概率推斷的圖像質(zhì)量評價關鍵技術研究與應用[D];浙江大學;2017年

10 李鵬飛;眼底圖像實時處理與液晶自適應系統(tǒng)控制研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2010年

相關碩士學位論文 前10條

1 喬志強;基于深度學習的糖尿病眼底圖像自動分類技術研究[D];北京郵電大學;2019年

2 李曉剛;基于遷移學習的糖網(wǎng)病眼底圖像自動分類研究[D];深圳大學;2018年

3 龐田田;糖網(wǎng)病眼底圖像的聚類研究[D];深圳大學;2018年

4 劉夢佳;基于深度學習的DR眼底圖像黃斑水腫分級方法研究[D];天津工業(yè)大學;2019年

5 張詩浩;基于深度學習的眼底圖像出血點分割方法研究[D];天津工業(yè)大學;2019年

6 劉森澤;基于深度學習的糖尿病視網(wǎng)膜病變智能診斷系統(tǒng)[D];山東大學;2018年

7 李博;基于彩色眼底圖像的新生血管自動檢測方法[D];東北大學;2015年

8 段汶君;基于曲線群匹配的OCT眼底圖像分割方法研究[D];山東師范大學;2018年

9 任秀秀;基于監(jiān)督描述子的眼底圖像黃斑病變分割方法研究[D];山東師范大學;2018年

10 王文濤;基于脈沖耦合神經(jīng)網(wǎng)絡的眼底圖像血管分割及視盤檢測算法研究[D];廣西師范大學;2018年

本文編號：2660100