發(fā)布時間：2018-03-23 21:57

  本文選題：糖尿病視網(wǎng)膜病變　切入點：眼底圖像　出處：《深圳大學(xué)》2017年碩士論文

【摘要】：糖尿病視網(wǎng)膜病變(Diabetic Retinopathy,DR)是由于糖尿病引起視網(wǎng)膜血管壁受損,導(dǎo)致視網(wǎng)膜上出現(xiàn)微血管瘤、硬性滲出物和出血等病灶,使視覺功能下降,是主要致盲疾病之一。目前在臨床上,眼科醫(yī)生對DR診斷最常用的方法是觀察眼底視網(wǎng)膜,通過對視網(wǎng)膜上異常病灶的分析進(jìn)行診斷。但是,由于DR病變種類多樣,形態(tài)各異,程度不一,導(dǎo)致眼科醫(yī)生診斷困難。特別是在進(jìn)行大規(guī)模DR篩查中,應(yīng)用計算機輔助診斷技術(shù)則可以幫助眼科醫(yī)生快速、有效的實現(xiàn)診斷。目前主要的DR眼底圖像分類方法是基于眼底圖像病灶檢測和基于眼底圖像全圖特征進(jìn)行分類的方法。但是這些傳統(tǒng)的方法首先需要人工設(shè)計特征,然后進(jìn)行分類器訓(xùn)練,效率較低并且適應(yīng)性差。因為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)結(jié)合了特征提取與分類,能夠自動學(xué)習(xí)特征,從而避免了繁瑣的人工特征提取工作。本文針對眼底圖像樣本量偏少的情況,使用基于CNN的遷移學(xué)習(xí)方法對眼底圖像進(jìn)行分類研究。論文主要的研究內(nèi)容包含兩部分:一部分是特征遷移學(xué)習(xí),利用大規(guī)模自然圖像分類中多種卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練模型作為特征提取器對眼底圖像提取特征,使用支持向量機進(jìn)行分類。另一部分是微調(diào)遷移學(xué)習(xí),首先對眼底圖像進(jìn)行數(shù)據(jù)擴增處理,然后使用大規(guī)模自然圖像分類中多種卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練模型參數(shù)初始化網(wǎng)絡(luò)參數(shù),最后利用眼底圖像訓(xùn)練網(wǎng)絡(luò),其中微調(diào)包括所有層微調(diào)和局部層微調(diào)兩種方式。實驗數(shù)據(jù)包括DR1和Messidor兩個公開數(shù)據(jù)集,以及一個自有數(shù)據(jù)集,并采用五倍交叉驗證對各種方法進(jìn)行對比。在DR1數(shù)據(jù)集上得到的最優(yōu)分類正確率為94.52%,在Messidor上得到的最優(yōu)分類正確率為92.01%,在自有數(shù)據(jù)上得到的最優(yōu)分類正確率為97.93%。實驗結(jié)果表明了使用CNN和遷移學(xué)習(xí)對DR眼底圖像分類的有效性。另外,論文對卷積網(wǎng)絡(luò)得到的特征進(jìn)行了可視化分析,驗證了CNN特征提取從低層次具體信息到高層次抽象信息的過程。還對錯分樣本進(jìn)行了分析,發(fā)現(xiàn)錯分的原因可能是采集的數(shù)據(jù)質(zhì)量差、數(shù)據(jù)類型不全和數(shù)據(jù)數(shù)量不足等。最后,實現(xiàn)了DR眼底圖像分類原型系統(tǒng),可以為眼科醫(yī)生提供輔助診斷。
[Abstract]:Diabetic retinopathy (DRR) is one of the main causes of blindness due to the damage of retinal vascular wall caused by diabetes, the appearance of microhemangioma, rigid exudate and hemorrhage on the retina, and the decrease of visual function. The most common method used by ophthalmologists in the diagnosis of Dr is to observe the retinal fundus and diagnose the abnormal lesions in the retina. However, because of the variety, shape and degree of Dr lesions, This makes it difficult for ophthalmologists to diagnose. Especially in large-scale Dr screening, the use of computer-aided diagnostic techniques can help ophthalmologists quickly. At present, the main methods of Dr fundus image classification are based on the focus detection of the fundus image and the classification method based on the whole image feature of the fundus image. But these traditional methods need to design the features manually. Then the classifier is trained, which is low efficiency and low adaptability, because convolution neural network Convolutional Neural Network CNNs combine feature extraction and classification, and can automatically learn features. In order to avoid the tedious work of artificial feature extraction. This paper uses CNN based transfer learning method to classify the fundus images. The main contents of this paper include two parts: one is feature transfer learning, and the other is feature transfer learning. Several convolution neural network pretraining models in large-scale natural image classification are used as feature extractors to extract features from eye fundus images, and support vector machines are used to classify them. First, the image of the fundus is processed by data amplification, then the parameters of the neural network pre-training model are initialized by using a variety of convolution neural network parameters in the classification of large scale natural images. Finally, the network is used to train the image of the fundus. The experimental data include two kinds of open data sets, DR1 and Messidor, and a private data set. The best classification accuracy is 94.522 on DR1 data set, 92.01 on Messidor and 97.93 on own data. The experimental results show the effectiveness of using CNN and transfer learning to classify Dr fundus images. In this paper, the features obtained from convolutional network are analyzed visually, and the process of feature extraction from low level concrete information to high level abstract information is verified by CNN feature extraction. The reasons for the misclassification may be poor data quality, incomplete data type and insufficient data quantity. Finally, the prototype system of Dr fundus image classification is implemented, which can provide ophthalmologist with auxiliary diagnosis.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;R587.2;R771.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡磊;畢維民;陳迪;郭永新;張光玉;李艷春;焦青;;眼底圖像處理軟件在眼科臨床應(yīng)用觀察[J];泰山醫(yī)學(xué)院學(xué)報;2009年09期

2 張東波;易瑤;趙圓圓;;基于投影的視網(wǎng)膜眼底圖像視盤檢測方法[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年04期

3 劉愛珍,馬斌榮,徐亮,楊樺,孫秀英;眼底圖像融合[J];中國醫(yī)學(xué)影像技術(shù);2003年11期

4 劉愛珍;王小兵;徐亮;任海萍;宋菲;王颯;;眼底圖像對位頻閃[J];首都醫(yī)科大學(xué)學(xué)報;2006年05期

5 余輪;魏麗芳;潘林;;眼底圖像配準(zhǔn)技術(shù)研究進(jìn)展[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年05期

6 魏麗芳;潘林;余輪;;一種病變眼底圖像的配準(zhǔn)方法[J];中國生物醫(yī)學(xué)工程學(xué)報;2011年04期

7 陳驥;彭承琳;;眼底圖像的三維重建[J];生物醫(yī)學(xué)工程學(xué)雜志;2008年01期

8 陳萌夢;熊興良;張琰;王詩鳴;李廣;;1種視網(wǎng)膜眼底圖像增強的新方法[J];重慶醫(yī)科大學(xué)學(xué)報;2014年08期

9 劉愛珍,馬斌榮,徐亮,孫秀英,宋菲;眼底圖像的配準(zhǔn)[J];醫(yī)療設(shè)備信息;2003年10期

10 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗系統(tǒng)對眼底的臨床觀察與研究[J];臨床醫(yī)學(xué)工程;2013年01期

相關(guān)會議論文 前4條

1 王子亮;潘林;余輪;;基于矢量方法的眼底圖像預(yù)處理[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

2 曹米莎;程建新;陳昱昆;龐博;王劍鋒;詹增榮;鄺健;周少博;李輝;梁納;袁永剛;盧毓敏;陳悅玲;;眼底圖像檢驗系統(tǒng)對眼底的臨床觀察與研究[A];“廣東省光學(xué)學(xué)會2013年學(xué)術(shù)交流大會”暨“粵港臺光學(xué)界產(chǎn)學(xué)研合作交流大會”會議手冊論文集[C];2013年

3 黃君鑫;;紅外眼底鏡的研究[A];中國光學(xué)學(xué)會2006年學(xué)術(shù)大會論文摘要集[C];2006年

4 朱琳琳;唐延?xùn)|;;基于眼底特征的視盤自動檢測[A];2010中國儀器儀表學(xué)術(shù)、產(chǎn)業(yè)大會（論文集1）[C];2010年

相關(guān)博士學(xué)位論文 前5條

1 高瑋瑋;眼底圖像分割算法及應(yīng)用研究[D];南京航空航天大學(xué);2013年

2 李居朋;眼底圖像處理與分析中一些關(guān)鍵問題的研究[D];北京交通大學(xué);2009年

3 韓松濤;眼底圖像的血管特征分析[D];吉林大學(xué);2010年

4 姚暢;眼底圖像分割方法的研究及其應(yīng)用[D];北京交通大學(xué);2009年

5 李鵬飛;眼底圖像實時處理與液晶自適應(yīng)系統(tǒng)控制研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2010年

相關(guān)碩士學(xué)位論文 前10條

1 于婷;眼底圖像視神經(jīng)盤和滲出物自動分割算法研究[D];蘭州大學(xué);2015年

2 鄭姍;主動輪廓模型及其在眼底圖像分割中的應(yīng)用[D];沈陽理工大學(xué);2015年

3 于甜甜;基于自適應(yīng)盲解卷積的眼底圖像復(fù)原[D];山東農(nóng)業(yè)大學(xué);2015年

4 于揮;眼底圖像中病變的檢測方法研究[D];蘭州交通大學(xué);2015年

5 趙麒然;基于改進(jìn)參數(shù)核圖割的OCT眼底圖像分割方法研究[D];吉林大學(xué);2016年

6 潘燕紅;基于監(jiān)督分類的糖尿病視網(wǎng)膜病變檢測方法的研究[D];福州大學(xué);2014年

7 李敏;眼底圖像血管三維重建方法研究[D];天津工業(yè)大學(xué);2016年

8 邵一婷;彩色眼底圖像視盤自動檢測方法研究[D];天津工業(yè)大學(xué);2016年

9 祝婉;多模眼底圖像配準(zhǔn)方法研究[D];天津工業(yè)大學(xué);2016年

10 崔寧;彩色眼底圖像血管參數(shù)測量方法研究[D];天津工業(yè)大學(xué);2016年

，

本文編號：1655355