視網(wǎng)膜血管具有連續(xù)性且呈樹枝狀結(jié)構(gòu),其分支從視盤開始,血管寬度隨著遠(yuǎn)離視盤而減小。同時(shí),視盤是主血管匯合處,相比此處的血管區(qū)域較大、對(duì)比度較明顯,而且病變視網(wǎng)膜會(huì)存在硬性滲出物等病理信息影響。因此,視網(wǎng)膜血管分割技術(shù)面臨的挑戰(zhàn)包括毛細(xì)血管與背景對(duì)比度低、視盤邊界誤分割和病理斑點(diǎn)的干擾�，F(xiàn)階段已經(jīng)出現(xiàn)大量基于計(jì)算機(jī)輔助視網(wǎng)膜血管分割的方法和技術(shù),利用計(jì)算機(jī)軟件對(duì)其幾何參數(shù)進(jìn)行評(píng)估,有效地分離血管、病灶、黃斑及視盤等信息,可以促進(jìn)醫(yī)學(xué)專家對(duì)視網(wǎng)膜血管圖像系統(tǒng)性和一致性的評(píng)估。于是,本文分別提出了三類算法:基于傳統(tǒng)機(jī)器學(xué)習(xí)的多尺度濾波的血管分割算法、基于深度學(xué)習(xí)的自適應(yīng)尺度信息U型網(wǎng)絡(luò)分割算法和融合輪廓信息的生成對(duì)抗血管分割方法。主要工作如下:（1）融合多尺度濾波的視網(wǎng)膜血管分割算法�？紤]到現(xiàn)有的傳統(tǒng)機(jī)器學(xué)習(xí)算法存在提取血管特征的尺度單一、不同數(shù)據(jù)集之間血管特征差異性較大且易存在視盤和病灶誤分割、微血管分割不合理的現(xiàn)象。于是,本文選用多尺度形態(tài)學(xué)濾波、匹配濾波、Frangi濾波和2D-Gabor濾波追蹤血管的走向,獲取到盡可能反應(yīng)目標(biāo)分類本質(zhì)的特征向量,同時(shí)考慮到視網(wǎng)膜圖像數(shù)據(jù)量小的問題,選... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人體眼球結(jié)構(gòu)示意圖

第一章緒論4眼底彩照應(yīng)用領(lǐng)域，眼底彩照血管分割技術(shù)為其它眼底技術(shù)提供了前提和基礎(chǔ)，同時(shí)在分割出血管信息的基礎(chǔ)上，融合其他眼底彩照技術(shù)對(duì)于有關(guān)疾病的篩查、降低醫(yī)生的誤診率以及進(jìn)行相關(guān)病理信息的研究都具有廣泛的應(yīng)用價(jià)值[9]。目前，基于眼底血管分割技術(shù)從指導(dǎo)思想上可劃分為兩種體系：以計(jì)算機(jī)為主體的全自動(dòng)分割方式和人機(jī)相結(jié)合的交互式分割方式[10]。計(jì)算機(jī)自動(dòng)分割方式是以完全脫離人為最終目的，但是現(xiàn)階段計(jì)算機(jī)自主分割性能仍不能達(dá)到臨床治療的要求；同時(shí)，人機(jī)交互分割方式雖然得到一定的保障，但過于依賴該方式又不能達(dá)到計(jì)算機(jī)輔助醫(yī)療的要求。因此，計(jì)算機(jī)自動(dòng)分割眼底視網(wǎng)膜血管的方法仍是醫(yī)學(xué)圖像中的研究重點(diǎn)之一。1.3國(guó)內(nèi)外研究現(xiàn)狀眼底視網(wǎng)膜血管分割算法按照是否利用標(biāo)簽信息可大致劃分為無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)兩大類。二者均具備三個(gè)基本要素：模型、學(xué)習(xí)準(zhǔn)則和相關(guān)優(yōu)化算法[11]，其二者的結(jié)構(gòu)圖可用圖1.3表示。監(jiān)督學(xué)習(xí)能夠?qū)W習(xí)到輸入與輸出數(shù)據(jù)之間的統(tǒng)計(jì)規(guī)律信息的映射關(guān)系，而無監(jiān)督學(xué)習(xí)則可以從原始的數(shù)據(jù)出發(fā)，無需借助人工標(biāo)記的標(biāo)簽或者相關(guān)反饋等指導(dǎo)性信息，相比有監(jiān)督學(xué)習(xí)算法能夠發(fā)現(xiàn)隱藏在數(shù)據(jù)中有效的特征信息及其概率分布。雖然在視網(wǎng)膜血管分割領(lǐng)域無監(jiān)督算法相比有監(jiān)督算法在準(zhǔn)確率和靈敏度上略低，但無監(jiān)督學(xué)習(xí)算法的發(fā)展能夠有效地幫助后續(xù)機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法模型更快的收斂，同時(shí)能夠更準(zhǔn)確地識(shí)別目標(biāo)特征信息，甚至近年來涌現(xiàn)出來的與有監(jiān)督相融合的半監(jiān)督學(xué)習(xí)算法，更進(jìn)一步說明了二者可以相輔相成。圖1.3無監(jiān)督或有監(jiān)督學(xué)習(xí)模型結(jié)構(gòu)

第一章緒論6合，有效解決傳統(tǒng)無監(jiān)督算法對(duì)噪音敏感的問題，在病變視網(wǎng)膜血管分割的問題上假陽性更低，具有較好的區(qū)分性，但仍存在微血管分割不全，部分血管分割粗細(xì)不合理的現(xiàn)象。1.3.2有監(jiān)督視網(wǎng)膜圖像分割基于有監(jiān)督的視網(wǎng)膜血管分割算法需要人類專家提供帶有標(biāo)注信息的金標(biāo)準(zhǔn)圖像，并作為分類器在訓(xùn)練階段的先驗(yàn)信息和導(dǎo)向，使分類器根據(jù)圖像中的局部像素特征和全局特征信息有效區(qū)分不同目標(biāo)，如血管和背景像素。盡管有監(jiān)督算法存在前期醫(yī)生工作量大和訓(xùn)練階段周期長(zhǎng)等弊端，但相比無監(jiān)督學(xué)習(xí)算法在醫(yī)學(xué)圖像領(lǐng)域具有較高的準(zhǔn)確率。同時(shí)，無監(jiān)督學(xué)習(xí)算法可以作為一種先驗(yàn)信息提取器，初步提取目標(biāo)的相關(guān)局部或全局特征信息，進(jìn)而提升有監(jiān)督學(xué)習(xí)分類器的魯棒性，降低訓(xùn)練階段的復(fù)雜度等。圖1.4傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法示意圖現(xiàn)階段流行的有監(jiān)督學(xué)習(xí)算法可分為：傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法，二者的區(qū)別可由圖1.4所描述�；趥鹘y(tǒng)機(jī)器學(xué)習(xí)的方法高度依賴于提取的特征類型，這些特征信息可能代表一種特定的數(shù)據(jù)集，但不代表其他數(shù)據(jù)集。此外，人工手動(dòng)設(shè)計(jì)目標(biāo)特征提取器是一項(xiàng)繁瑣的任務(wù)，需要大量的時(shí)間和專業(yè)知識(shí)。文獻(xiàn)[21-25]均先利用無監(jiān)督學(xué)習(xí)算法設(shè)計(jì)人工特征提取器，如多尺度匹配濾波器、Hessian矩陣、灰度共生矩陣和形態(tài)學(xué)操作等提取多維的血管特征信息，然后構(gòu)建帶有監(jiān)督信息的血管分類器。雖然該類算法分割的結(jié)果精度較高，但會(huì)出現(xiàn)假陽性高、微血管相比金標(biāo)準(zhǔn)分割過粗的現(xiàn)象，同時(shí)存在病理信息、黃斑和視盤周圍誤分割或過分割等問題。盡管如此，傳統(tǒng)機(jī)器學(xué)習(xí)算法仍然是現(xiàn)在人工智能


本文編號(hào)：3465780