視網(wǎng)膜圖像包含豐富的組織結(jié)構(gòu)和病灶信息,視網(wǎng)膜圖像的處理和分析能夠?yàn)槎喾N眼底疾病的早期篩查提供重要臨床依據(jù)。受限于視網(wǎng)膜圖像成像條件等客觀因素,單憑眼科醫(yī)生手工篩查眼底圖像進(jìn)行疾病診斷十分耗時(shí)費(fèi)力,無(wú)法滿(mǎn)足大規(guī)模眼底圖像檢查的需要。因此,結(jié)合圖像處理和深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)視網(wǎng)膜圖像的自動(dòng)分割對(duì)于疾病早期篩查具有重要研究?jī)r(jià)值。本文基于深度學(xué)習(xí)對(duì)視網(wǎng)膜圖像分割技術(shù)進(jìn)行研究,完成視網(wǎng)膜圖像血管和視盤(pán)分割。本文主要的研究?jī)?nèi)容和創(chuàng)新成果如下:1)在視網(wǎng)膜血管分割工作中,本文提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜血管分割算法,無(wú)需手工設(shè)計(jì)特征和后處理過(guò)程。首先,通過(guò)跳躍連接構(gòu)建編碼器—解碼器分割網(wǎng)絡(luò),將低層特征和高層語(yǔ)義特征融合。其次,我們引入殘差學(xué)習(xí)和Dropout策略進(jìn)一步學(xué)習(xí)圖像邊緣和紋理特征。2)針對(duì)視網(wǎng)膜圖像細(xì)小血管難以分割的問(wèn)題,本文提出利用空洞卷積構(gòu)建空洞空間金字塔池化模塊,通過(guò)融合來(lái)自不同感受野的多尺度信息實(shí)現(xiàn)多尺度分割。一方面能擴(kuò)大感受野,充分結(jié)合上下文信息,提高對(duì)細(xì)小血管的分割能力;另一方面,空洞卷積大大減少學(xué)習(xí)參數(shù),利于模型訓(xùn)練和優(yōu)化。我們還使用類(lèi)別平衡損失函數(shù),有效解決數(shù)據(jù)集中正... 

【文章來(lái)源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

視網(wǎng)膜圖像血管結(jié)構(gòu)

第2章深度學(xué)習(xí)與全卷積神經(jīng)網(wǎng)絡(luò)9第2章深度學(xué)習(xí)與全卷積神經(jīng)網(wǎng)絡(luò)本文針對(duì)視網(wǎng)膜圖像中的血管和視盤(pán)分割方法進(jìn)行研究，并主要以基于深度學(xué)習(xí)中的全卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行算法和應(yīng)用的創(chuàng)新。首先，本章以人工神經(jīng)網(wǎng)絡(luò)的基本概念和原理作為研究基礎(chǔ)，并重點(diǎn)分析常見(jiàn)激活函數(shù)和多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程。接著，本章對(duì)深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理進(jìn)行闡述，介紹常見(jiàn)網(wǎng)絡(luò)層的基本原理，并概括網(wǎng)絡(luò)前向和反向傳播流程和模型優(yōu)化的方法，總結(jié)卷積神經(jīng)網(wǎng)絡(luò)的特性和優(yōu)勢(shì)。之后，針對(duì)圖像分割領(lǐng)域常用的全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，包括算法原理和基本網(wǎng)絡(luò)結(jié)構(gòu)等相關(guān)內(nèi)容。最后，簡(jiǎn)單介紹了一些常用的深度學(xué)習(xí)框架。2.1人工神經(jīng)網(wǎng)絡(luò)算法人類(lèi)大腦的神經(jīng)系統(tǒng)利用神經(jīng)元細(xì)胞傳輸信息，神經(jīng)信號(hào)通過(guò)細(xì)胞體釋放神經(jīng)遞質(zhì)傳遞到另一個(gè)細(xì)胞體，大量形式相同的神經(jīng)元連接形成神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetwork)模擬生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和工作原理，由大量神經(jīng)元構(gòu)成基本單位，運(yùn)用計(jì)算機(jī)技術(shù)模擬生物處理神經(jīng)信號(hào)的過(guò)程。每個(gè)神經(jīng)元與周?chē)窠?jīng)元相連，當(dāng)某個(gè)神經(jīng)元的存儲(chǔ)信息達(dá)到某一激活閾值時(shí)，就會(huì)向周?chē)窠?jīng)元發(fā)送信號(hào)從而改變相鄰神經(jīng)元的狀態(tài)，進(jìn)而繼續(xù)向下進(jìn)行信息傳遞。1943年，McCulloch和Pitts提出了“M-P神經(jīng)元模型”，將神經(jīng)元工作原理抽象為數(shù)學(xué)模型，單個(gè)神經(jīng)元結(jié)構(gòu)示意圖如圖2-1所示。圖2-1人工神經(jīng)元結(jié)構(gòu)示意圖神經(jīng)元接受到來(lái)自其他神經(jīng)元傳遞過(guò)來(lái)的輸入信號(hào)，通過(guò)帶權(quán)重的值互相連接，當(dāng)神經(jīng)元接受到的總輸入值超過(guò)設(shè)定的某個(gè)閾值后，通過(guò)激活函數(shù)處理后輸

天津大學(xué)碩士學(xué)位論文10出。其中,y代表神經(jīng)元的輸出，代表激活函數(shù)，ix代表來(lái)自第i個(gè)神經(jīng)元，即為輸入數(shù)據(jù)每一維的值，iw代表第i個(gè)輸入的連接權(quán)重值，0w代表偏置項(xiàng)。人工神經(jīng)網(wǎng)絡(luò)模型的具體計(jì)算表達(dá)式為：01niiiywxw(2-1)理想的激活函數(shù)為階躍函數(shù)，即將輸入值映射為1或0，分別代表神經(jīng)元興奮或者受到抑制。然而，階躍函數(shù)具有不連續(xù)和不光滑的性質(zhì)，因此實(shí)際應(yīng)用中常用Sigmoid、Tanh、ReLU和LeakyReLU等函數(shù)作為激活函數(shù)[49]，這些激活函數(shù)能將較大范圍內(nèi)變化的輸入值映射到(0,1)輸出值范圍內(nèi)，同時(shí)將線性模型轉(zhuǎn)換為非線性模型，可用來(lái)解決異或等較復(fù)雜的非線性問(wèn)題。常用的激活函數(shù)如圖2-2所示。圖2-2常見(jiàn)的激活函數(shù)Sigmoid、Tanh、ReLU和LeakyReLU激活函數(shù)分別定義如下：11xfxe(2-2)xxxxeefxee(2-3)fxmax0,x(2-4),0,0axxfxxx(2-5)其中，Sigmoid函數(shù)是一種飽和非線性函數(shù)，常用于二分類(lèi)等問(wèn)題的輸出層。當(dāng)輸入遠(yuǎn)離坐標(biāo)原點(diǎn)時(shí)，函數(shù)輸出梯度幾乎為零，會(huì)導(dǎo)致梯度消失的問(wèn)題，此時(shí)

【參考文獻(xiàn)】：
期刊論文
[1]基于MRI的腦腫瘤分割技術(shù)研究進(jìn)展[J]. 萬(wàn)俊,聶生東,王遠(yuǎn)軍.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2013(04)
[2]基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)算法研究及應(yīng)用[J]. 王慧鋒,戰(zhàn)桂禮,羅曉明.  計(jì)算機(jī)工程與應(yīng)用. 2009(09)

博士論文
[1]水平集方法及其在圖像分割中的應(yīng)用研究[D]. 王曉峰.中國(guó)科學(xué)技術(shù)大學(xué) 2009



本文編號(hào)：3248248