青光眼是一種導(dǎo)致視力喪失且不可逆轉(zhuǎn)的慢性眼病,杯盤比在青光眼的篩查和診斷中起著重要的作用,從視網(wǎng)膜圖像中準(zhǔn)確的分割視盤和視杯是一項基本任務(wù)。與其它眼底疾病如白內(nèi)障和近視不同,青光眼造成的視力喪失無法逆轉(zhuǎn)。因此,早期篩查對于早期治療以保持視力和維持生活質(zhì)量至關(guān)重要。然而,由經(jīng)過培訓(xùn)的臨床醫(yī)生對視網(wǎng)膜圖像進行的人工評估耗時且昂貴,并且不適合人群篩查。雖然目前已有一些視盤視杯自動分割方法,但大多數(shù)現(xiàn)有的方法存在以下問題:特征信息提取不充分,容易受到病灶區(qū)域和低分辨率圖像的影響;模型的感受野小,無法準(zhǔn)確捕獲不同大小待分割區(qū)域的全局上下文信息,造成特征信息提取不充分;部分方法依賴于手工提取視覺特征,沒有考慮視盤和視杯兩者的關(guān)系,造成模型分割性能差等。針對以上問題,本文提出了基于生成對抗網(wǎng)絡(luò)的多標(biāo)簽深度學(xué)習(xí)模型,論文研究的主要內(nèi)容如下:(1)提出了一種結(jié)合生成對抗網(wǎng)絡(luò)的多標(biāo)簽深度卷積神經(jīng)網(wǎng)絡(luò)模型GL-Net(Generative Learn Networks),實現(xiàn)了對視盤和視杯同時進行自動分割。GL-Net由生成器和判別器兩個網(wǎng)絡(luò)結(jié)構(gòu)組成。訓(xùn)練時,生成器和判別器進行極小極大博弈與條件約束進行優(yōu)化...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀分析
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 相關(guān)理論
    2.1 生成對抗網(wǎng)絡(luò)
    2.2 神經(jīng)網(wǎng)絡(luò)的相關(guān)理論
        2.2.1 深度卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 擴充卷積
        2.2.3 殘差模塊
    2.3 視盤視杯分割評價指標(biāo)
    2.4 本章小結(jié)
第3章 基于深度卷積生成對抗網(wǎng)絡(luò)的視盤視杯分割
    3.1 GL-Net模型結(jié)構(gòu)
        3.1.1 生成器網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 判別器網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 遷移學(xué)習(xí)
        3.1.4 對抗訓(xùn)練過程
    3.2 實驗分析
        3.2.1 訓(xùn)練參數(shù)設(shè)置與數(shù)據(jù)集
        3.2.2 實驗結(jié)果分析
        3.2.3 不同算法分割結(jié)果的定量分析與討論
    3.3 本章小結(jié)
第4章 基于級聯(lián)擴充卷積與密集采樣的視盤視杯分割
    4.1 DR-Net模型結(jié)構(gòu)
        4.1.1 級聯(lián)擴充卷積
        4.1.2 尺度重構(gòu)層
        4.1.3 生成器網(wǎng)絡(luò)結(jié)構(gòu)
    4.2 實驗分析
        4.2.1 下采樣因子
        4.2.2 不同擴充率的級聯(lián)擴充卷積
        4.2.3 上采樣方式
        4.2.4 不同算法分割結(jié)果的定量分析
    4.3 本章小結(jié)
結(jié)論
參考文獻
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果



本文編號：3869503