【摘要】：近年來,人工智能技術(shù)得到快速發(fā)展,己經(jīng)得到了社會(huì)各界的廣泛關(guān)注。人工智能技術(shù)和現(xiàn)代醫(yī)療設(shè)備相結(jié)合,通過一定的計(jì)算機(jī)技術(shù)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(shù)的發(fā)展趨勢(shì)。視網(wǎng)膜眼底圖像攜帶著對(duì)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(yàn),效率不高,本文充分利用人工智能技術(shù)構(gòu)建了一套基于web的糖尿病眼底圖像自動(dòng)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(jìn)后的U-net網(wǎng)絡(luò)對(duì)原始的視網(wǎng)膜眼底圖像提取血管、出血點(diǎn)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(luò)的特征圖像的輸入做準(zhǔn)備。2.視網(wǎng)膜眼底圖像分類網(wǎng)絡(luò)的實(shí)現(xiàn),本文中的主干網(wǎng)絡(luò)采用經(jīng)典的Inception-ResNet-v2網(wǎng)絡(luò)和Xception網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn),設(shè)計(jì)雙塔分類網(wǎng)絡(luò)模型,采用基于ImageNet遷移學(xué)習(xí)的參數(shù)初始化方式對(duì)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練。3.使用遺傳算法對(duì)網(wǎng)絡(luò)提取出來的特征向量進(jìn)行加權(quán)融合,并且使用支持向量機(jī)進(jìn)行分類。4.基于web的糖尿病性視網(wǎng)膜病變眼底圖像檢測(cè)可視化頁面的實(shí)現(xiàn),以Node.js作為開發(fā)語言,結(jié)合本文糖尿病等級(jí)自動(dòng)分類結(jié)果進(jìn)行相應(yīng)可視化展示,以及自動(dòng)診斷報(bào)告的輸出,在瀏覽器端實(shí)現(xiàn)糖尿病性視網(wǎng)膜病變級(jí)別的自動(dòng)分類。本文的研究通過深度網(wǎng)絡(luò)進(jìn)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(dòng)分類,力爭(zhēng)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(jí)自動(dòng)分類準(zhǔn)確度,同時(shí)實(shí)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(jìn)了研究成果落地實(shí)用的進(jìn)程。
【圖文】：

出病變及時(shí)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(xì)血管的病變，主要表現(xiàn)為眼底出血點(diǎn)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(diǎn)逡逑圖２－１眼底圖像結(jié)構(gòu)標(biāo)注圖逡逑７逡逑

通道的權(quán)重，Ｒ、Ｇ和Ｂ分別表示紅色、綠色和藍(lán)色通道，這三個(gè)值的和為１．０，逡逑其中０．５８７為最大的權(quán)重，對(duì)應(yīng)著原始圖像的Ｇ通道，因?yàn)樵撏ǖ腊男畔⒆铄义隙�，�?duì)應(yīng)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(biāo)準(zhǔn)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(biāo)函數(shù)在沒有標(biāo)準(zhǔn)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(huì)嚴(yán)重影響到最后的分類效果。因此，在逡逑執(zhí)行分類任務(wù)之前，應(yīng)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(quán)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(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183;R587.2;R770.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高宏杰;邱天爽;丑遠(yuǎn)婷;周明;張曉博;;基于改進(jìn)U型網(wǎng)絡(luò)的眼底圖像血管分割[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);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(guān)鍵技術(shù)研究[J];中國(guó)繼續(xù)醫(yī)學(xué)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(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[J];臨床醫(yī)學(xué)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(guó)醫(yī)學(xué)影像技術(shù);2003年11期

5 陸輝輝;夏海英;;基于機(jī)器學(xué)習(xí)對(duì)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(dòng)篩查中的應(yīng)用[J];激光生物學(xué)報(bào);2015年04期

7 楊艷;邵楓;;基于雙字典學(xué)習(xí)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?fù)浣Y(jié)構(gòu)的眼底圖像分割評(píng)價(jià)新方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2015年05期

9 咼明;陳長(zhǎng)征;劉劍萍;聶尚武;;一款適用于糖尿病視網(wǎng)膜病變遠(yuǎn)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(yīng)點(diǎn)特異度閾值的眼底圖像血管分割方法研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2015年01期

相關(guān)會(huì)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(yù)處理[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)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(yàn)系統(tǒng)對(duì)眼底的臨床觀察與研究[A];“廣東省光學(xué)學(xué)會(huì)2013年學(xué)術(shù)交流大會(huì)”暨“粵港臺(tái)光學(xué)界產(chǎn)學(xué)研合作交流大會(huì)”會(huì)議手冊(cè)論文集[C];2013年

3 唐甜華;唐建清;聶天宇;王貴學(xué);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(guó)生物力學(xué)學(xué)術(shù)會(huì)議暨第十四屆全國(guó)生物流變學(xué)學(xué)術(shù)會(huì)議會(huì)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(guó)光學(xué)學(xué)會(huì)2006年學(xué)術(shù)大會(huì)論文摘要集[C];2006年

5 陳驥;彭承琳;劉成冬;;眼底照相機(jī)圖像采集處理系統(tǒng)設(shè)計(jì)[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

6 ;外賓介紹[A];中國(guó)眼底病論壇·全國(guó)眼底病專題學(xué)術(shù)研討會(huì)論文匯編[C];2008年

相關(guān)博士學(xué)位論文 前10條

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

2 姜平;眼底圖像分割方法研究[D];吉林大學(xué);2018年

3 韓松濤;眼底圖像的血管特征分析[D];吉林大學(xué);2010年

4 金凱;重要眼病基于計(jì)算機(jī)輔助圖像分析診斷技術(shù)研究[D];浙江大學(xué);2018年

5 高瑋瑋;眼底圖像分割算法及應(yīng)用研究[D];南京航空航天大學(xué);2013年

6 姚暢;眼底圖像分割方法的研究及其應(yīng)用[D];北京交通大學(xué);2009年

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

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

9 王少澤;基于概率推斷的圖像質(zhì)量評(píng)價(jià)關(guān)鍵技術(shù)研究與應(yīng)用[D];浙江大學(xué);2017年

10 李鵬飛;眼底圖像實(shí)時(shí)處理與液晶自適應(yīng)系統(tǒng)控制研究[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2010年

相關(guān)碩士學(xué)位論文 前10條

1 喬志強(qiáng);基于深度學(xué)習(xí)的糖尿病眼底圖像自動(dòng)分類技術(shù)研究[D];北京郵電大學(xué);2019年

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

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

4 劉夢(mèng)佳;基于深度學(xué)習(xí)的DR眼底圖像黃斑水腫分級(jí)方法研究[D];天津工業(yè)大學(xué);2019年

5 張?jiān)姾?基于深度學(xué)習(xí)的眼底圖像出血點(diǎn)分割方法研究[D];天津工業(yè)大學(xué);2019年

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

7 李博;基于彩色眼底圖像的新生血管自動(dòng)檢測(cè)方法[D];東北大學(xué);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(xué);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(xué);2018年

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

本文編號(hào)：2660100