【摘要】：自從2014年Lan Goodfellow提出生成式對抗網絡(GAN)以來,GAN就成為人工智能中非常熱門的研究領域,大量與GAN相關的文章被發(fā)表。同時GAN的技術也應用到各種領域當中,例如圖像的生成、語音的生成、自然語言序列的生成、風格的遷移等。由于GAN為無監(jiān)督的學習方式,GAN極有可能實現(xiàn)真正的智能學習,從而成為未來人工智能領域的主要研究領域之一。深度學習作為當下炙手可熱的人工智能算法,在各個領域都表現(xiàn)出不同凡響的影響力,與傳統(tǒng)的機器學習算法相比,在絕大多數(shù)任務中深度學習能輕松的在各項評估指標上超過機器學習和其它一些智能算法,特別是在計算機視覺和圖像處理方面,深度學習的發(fā)展已經使該領域有了前所未有的突破。隨著深度學習的不斷發(fā)展以及在圖像處理方面的優(yōu)異表現(xiàn),深度學習也正在成為醫(yī)學圖像處理領域中主流的智能輔助診斷和智能診斷算法。視網膜疾病檢測是人體唯一非侵入式的檢測方法。然而從彩色眼底圖像中獲得血管二值圖像需要專業(yè)醫(yī)生花費大量時間和精力對彩色眼底圖像進行標注,同時高精度的眼底血管分割可以很大程度上提高疾病的診斷保障,因此利用先進的智能算法進行眼底血管分割并提高血管分割精度具有重要意義和價值。由于現(xiàn)有的眼底圖像數(shù)據集中有標注的眼底血管圖像數(shù)量非常少,利用這些數(shù)據訓練出來的深度學習模型泛化性能比較差。一個直觀的思想就是將生成式對抗網絡和深度學習這兩項熱門的技術同時應用到血管分割領域中,生成式對抗網絡負責生成新的眼底圖像來擴增數(shù)據集,之后使用擴增的數(shù)據集進行深度學習模型的訓練,得到泛化性能更好的深度學習模型。本文的主要工作包括兩個方面,一是提出一種在U-Net中加入了 DenseBlock、ResBlock和Attention機制的分割網絡(DRAU-Net),通過實驗證明了 DRAU-Net網絡相比于其它幾種經典網絡在眼底血管分割任務上具有較大的優(yōu)越性,其血管分割的效果已經達到了世界領先水平并超過了專業(yè)醫(yī)生的判別能力。二是利用上述提出的網絡結構作為生成器設計了一種新的GAN網絡(DRAGAN),利用DRAGAN在已有的二值血管分割圖上生成逼真的彩色眼底圖像,用生成的數(shù)據和真實數(shù)據同時訓練一個DRAU-Net網絡模型來增強網絡的泛化能力。通過對訓練好的DRAU-Net模型進行測試集上的評估,從評估指標中判別DRAU-Net的泛化能力,也間接證明了 DRAGAN生成的彩色眼底圖像可以用于數(shù)據的擴增,為之后在缺乏數(shù)據的情況下提供了一個增強模型泛化能力的方法。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R770.4;TP391.41;TP18
【圖文】：

圖２－１眼底數(shù)據集

圖２－２邋（ａ）ＲＯＣ曲線

【參考文獻】

相關期刊論文 前1條

1 王曉紅;趙于前;廖苗;鄒北驥;;基于多尺度2D Gabor小波的視網膜血管自動分割[J];自動化學報;2015年05期

本文編號：2740812