基于深度學習的視網(wǎng)膜眼底疾病的分類研究
發(fā)布時間:2021-05-06 08:42
視網(wǎng)膜眼底疾病不僅種類繁多,而且對視功能損害較大。常見的視網(wǎng)膜眼底疾病有年齡相關性黃斑病變(Age-related Macular Degeneration,AMD)和糖尿病性黃斑水腫(Diabetic Macular Edema,DME)。這兩種疾病會損害視網(wǎng)膜并導致視力下降,更是老年人失明最常見的原因,因此其早期檢測對后續(xù)治療具有重要的意義。目前,臨床上對于以上兩種視網(wǎng)膜眼底疾病的診斷都依賴于專業(yè)的眼科醫(yī)生,然而隨著患者數(shù)量不斷地增加,如此大量的診斷和篩查工作僅僅依靠少量的專業(yè)眼科醫(yī)生將是一項非常艱巨的任務;谝陨洗嬖诘膯栴},本文將借助計算機視覺技術,采用深度學習的方法對視網(wǎng)膜眼底疾病進行分類診斷。視網(wǎng)膜眼底疾病的診斷大部分都采用眼底照相和光學相干斷層掃描(Optical Coherence tomography,OCT)所獲得的圖像。相比于眼底照相,OCT圖像具有無創(chuàng)、高速和高分辨率的特點,本次研究就是基于視網(wǎng)膜眼底疾病OCT圖像的分類識別。具體的研究工作如下:(1)研究了基于經(jīng)典的機器學習的OCT圖像分類方法,主要分別利用支持向量機(Support Vector Machin...
【文章來源】:南昌大學江西省 211工程院校
【文章頁數(shù)】:60 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 課題的研究背景及意義
1.2 國內外研究現(xiàn)狀
1.2.1 基于視網(wǎng)膜眼底疾病AMD上的分類研究
1.2.2 基于視網(wǎng)膜眼底疾病DME上的分類研究
1.3 主要研究內容及難點
1.4 本文的結構安排
第2章 相關理論概述
2.1 引言
2.2 眼底檢測技術
2.3 OCT成像技術
2.4 經(jīng)典的機器學習算法
2.4.1 KNN分類算法
2.4.2 SVM分類算法
2.5 深度學習算法
2.5.1 卷積神經(jīng)網(wǎng)絡
2.5.2 遷移學習
2.6 評價指標
2.7 小結與討論
第3章 基于機器學習的OCT眼底圖像分類
3.1 引言
3.2 數(shù)據(jù)介紹
3.2.1 OCT圖像數(shù)據(jù)來源
3.2.2 數(shù)據(jù)預處理
3.3 交叉驗證
3.4 基于KNN算法和SVM算法的OCT眼底圖像分類
3.4.1 實驗內容
3.4.2 實驗結果與分析
3.5 小結與討論
第4章 基于3D-CNN的OCT眼底圖像分類
4.1 引言
4.2 基于3D-CNN的OCT眼底圖像分類
4.2.1 實驗內容
4.2.2 3D-CNN網(wǎng)絡結構
4.2.3 改進后的3D-CNN網(wǎng)絡結構
4.3 實驗結果分析
4.4 小結與討論
第5章 基于遷移學習的OCT眼底圖像分類
5.1 引言
5.2 基于遷移學習的眼底圖像分類算法
5.2.1 實驗內容
5.2.2 遷移學習模型
5.2.3 VGG-16網(wǎng)絡結構
5.3 實驗結果和分析
5.4 小結與討論
第6章 總結與展望
6.1 總結
6.2 展望
致謝
參考文獻
攻讀學位期間的研究成果
【參考文獻】:
期刊論文
[1]Artificial intelligence on diabetic retinopathy diagnosis: an automatic classification method based on grey level co-occurrence matrix and naive Bayesian model[J]. Kai Cao,Jie Xu,Wei-Qi Zhao. International Journal of Ophthalmology. 2019(07)
[2]糖尿病黃斑水腫的綜合研究進展[J]. 楊曉靜,徐惠,格日勒. 中國民族醫(yī)藥雜志. 2019(05)
[3]深度學習原理及應用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新. 計算機科學. 2018(S1)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應用. 2016(09)
[5]醫(yī)學圖像分析的現(xiàn)狀與展望[J]. 陳武凡,秦安,江少峰,馮前進,郝立巍. 中國生物醫(yī)學工程學報. 2008(02)
[6]老年黃斑變性43例光學相干斷層掃描分析[J]. 湯洋,唐羅生. 國際眼科雜志. 2007(01)
本文編號:3171625
【文章來源】:南昌大學江西省 211工程院校
【文章頁數(shù)】:60 頁
【學位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 課題的研究背景及意義
1.2 國內外研究現(xiàn)狀
1.2.1 基于視網(wǎng)膜眼底疾病AMD上的分類研究
1.2.2 基于視網(wǎng)膜眼底疾病DME上的分類研究
1.3 主要研究內容及難點
1.4 本文的結構安排
第2章 相關理論概述
2.1 引言
2.2 眼底檢測技術
2.3 OCT成像技術
2.4 經(jīng)典的機器學習算法
2.4.1 KNN分類算法
2.4.2 SVM分類算法
2.5 深度學習算法
2.5.1 卷積神經(jīng)網(wǎng)絡
2.5.2 遷移學習
2.6 評價指標
2.7 小結與討論
第3章 基于機器學習的OCT眼底圖像分類
3.1 引言
3.2 數(shù)據(jù)介紹
3.2.1 OCT圖像數(shù)據(jù)來源
3.2.2 數(shù)據(jù)預處理
3.3 交叉驗證
3.4 基于KNN算法和SVM算法的OCT眼底圖像分類
3.4.1 實驗內容
3.4.2 實驗結果與分析
3.5 小結與討論
第4章 基于3D-CNN的OCT眼底圖像分類
4.1 引言
4.2 基于3D-CNN的OCT眼底圖像分類
4.2.1 實驗內容
4.2.2 3D-CNN網(wǎng)絡結構
4.2.3 改進后的3D-CNN網(wǎng)絡結構
4.3 實驗結果分析
4.4 小結與討論
第5章 基于遷移學習的OCT眼底圖像分類
5.1 引言
5.2 基于遷移學習的眼底圖像分類算法
5.2.1 實驗內容
5.2.2 遷移學習模型
5.2.3 VGG-16網(wǎng)絡結構
5.3 實驗結果和分析
5.4 小結與討論
第6章 總結與展望
6.1 總結
6.2 展望
致謝
參考文獻
攻讀學位期間的研究成果
【參考文獻】:
期刊論文
[1]Artificial intelligence on diabetic retinopathy diagnosis: an automatic classification method based on grey level co-occurrence matrix and naive Bayesian model[J]. Kai Cao,Jie Xu,Wei-Qi Zhao. International Journal of Ophthalmology. 2019(07)
[2]糖尿病黃斑水腫的綜合研究進展[J]. 楊曉靜,徐惠,格日勒. 中國民族醫(yī)藥雜志. 2019(05)
[3]深度學習原理及應用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新. 計算機科學. 2018(S1)
[4]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應用. 2016(09)
[5]醫(yī)學圖像分析的現(xiàn)狀與展望[J]. 陳武凡,秦安,江少峰,馮前進,郝立巍. 中國生物醫(yī)學工程學報. 2008(02)
[6]老年黃斑變性43例光學相干斷層掃描分析[J]. 湯洋,唐羅生. 國際眼科雜志. 2007(01)
本文編號:3171625
本文鏈接:http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3171625.html
最近更新
教材專著