【摘要】：糖尿病性黃斑水腫(Diabetic Macular Edema,DME)是導致糖尿病患者視力損傷的主要原因,DME的早期發(fā)現(xiàn)有助于顯著降低視力喪失的風險。根據(jù)DME國際臨床分級標準,通過檢測并判斷硬性滲出物(Hard Exudate,HE)是否接近黃斑中心,可對彩色眼底圖像進行DME分級,因此定位黃斑中心和分割HE是DME分級的兩大核心任務。對于這兩個任務,研究者們已經(jīng)進行了深入研究,但如何提高定位準確率和分割精度仍是眼底圖像處理所面臨的難題。傳統(tǒng)的檢測方法主要依賴于所提取特征的準確度,檢測效率較低,處理過程耗時較長。而深度學習技術彌補了傳統(tǒng)檢測方法的不足,且在醫(yī)學圖像領域已取得突破進展。因此本文提出基于深度學習的方法進行黃斑中心定位和HE分割,進而實現(xiàn)DME的分級評估。針對黃斑中心定位,本文提出了基于改進型Faster R-CNN網(wǎng)絡和血管標注的黃斑中心定位方法。首先,在制作黃斑樣本的過程中,將黃斑中央凹周圍特定區(qū)域內的毛細血管加入到標注范圍中,從而豐富了黃斑的特征;其次,根據(jù)標注的黃斑大小,在Faster R-CNN網(wǎng)絡中設計了2種不同大小的錨點框(Anchor)以得到更適合于黃斑的目標參照框。通過實驗證明,使用加入毛細血管的黃斑樣本及設計的2種Anchor訓練改進型Faster R-CNN,能夠獲得更加準確的黃斑中心定位結果。針對HE分割,本文提出了基于MD-ResNet網(wǎng)絡的HE分割方法,該網(wǎng)絡結合了空洞卷積與多級特征融合策略。首先使用殘差網(wǎng)絡作為主體結構,將高層網(wǎng)絡部分的殘差塊改為空洞卷積殘差塊;其次通過跳躍連接將低層網(wǎng)絡中不同尺度的細節(jié)特征與高層網(wǎng)絡得到的全局特征連接到一起,從而獲得更加精細化的分割結果。在黃斑中心定位和HE分割的基礎上,本文依據(jù)國際臨床DME分級標準對眼底圖像進行DME分級。通過建立眼底極坐標系并判斷HE出現(xiàn)在眼底極坐標系中的位置,將眼底圖像分為正常、輕度DME、中度DME和重度DME四個等級。最后,在前面工作的基礎上設計了DME病變智能分析系統(tǒng),從而達到自動快速檢測眼底DME疾病的目的。采用本文方法對HEI-MED、e-ophtha EX和醫(yī)院數(shù)據(jù)集進行測試,結果表明測試結果具有較高的定位準確率和分割精度,最終實現(xiàn)了良好的DME分級。
【學位授予單位】：天津工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R587.2;R774.5;TP391.41;TP183
【圖文】：

導致繼發(fā)性失明最常見的原因之一，因此被認為是所有糖尿病并發(fā)癥中最危險的逡逑因素之一。ＤＲ的主要癥狀是眼底視網(wǎng)膜血管發(fā)生微小變化，主要表現(xiàn)為微動脈逡逑瘤、出血點、硬性滲出、棉絮斑以及黃斑水腫等，眼底病變結構如圖１－１所示。逡逑人眼中第一個可檢測到的異常是微動脈瘤，它代表視網(wǎng)膜毛細血管的局部擴大。逡逑破裂的微動脈瘤可引起出血，血漿內的脂類物質會從血管中流出并沉積在視網(wǎng)膜逡逑中形成硬性滲出物（ＨａｒｄＥｘｕｄａｔｅ，ＨＥ）。如果ＨＥ出現(xiàn)在黃斑區(qū)附近會嚴重導致中逡逑央視力下降，引起糖尿病性黃斑水腫（Ｄｉａｂｅｔｉｃ邋Ｍａｃｕｌａｒ邋Ｅｄｅｍａ，ＤＭＥ廣，這種病逡逑癥是導致視力損傷的主要原因。由于ＤＭＥ可能在沒有任何外部癥狀的情況下出逡逑現(xiàn)，所以盡早發(fā)現(xiàn)ＤＭＥ至關重要。逡逑圖１－１眼底中的病變結構逡逑在最新公布的國際ＤＭＥ臨床分級標準中，ＤＭＥ被定義為眼底有明顯的視逡逑網(wǎng)膜增厚或者硬性滲出物出現(xiàn)＇因此ＤＭＥ的檢測方式可分為直接檢測和間接逡逑檢測。直接檢測方法是利用立體視覺技術或光學相干斷層掃描（Ｏｐｔｉｃａｌ邋Ｃｏｈｅｒｅｎｃｅ逡逑Ｔｏｍｏｇｒａｐｈｙ，邋ＯＣＴ）技術判定視網(wǎng)膜是否增厚ｗ，間接檢測方法是通過二維眼底圖逡逑像分析ＨＥ是否接近黃斑中心［５］。然而

ＤＭＥ分級逡逑圖１－２本文方法總框圖逡逑１）針對黃斑中心定位現(xiàn)有存在的問題，基于黃斑自身特點和目標檢Ｒ－ＣＮＮ在醫(yī)學圖像中的優(yōu)異表現(xiàn)，本文提出一種適用于黃斑檢測的邋Ｒ－ＣＮＮ網(wǎng)絡。由于Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ網(wǎng)絡中提供的錨點框（Ａｎｃｈｏｒ）部分尺寸，因此本文對不同數(shù)據(jù)集中標注的黃斑大小進行統(tǒng)計并重新設于黃斑尺寸的Ａｎｃｈｏｒ，以提升網(wǎng)絡的定位精度和檢測時間。在制據(jù)時，加入了黃斑中央凹周圍特定區(qū)域內的毛細血管，與黃斑中央個黃斑的真實樣本（Ｇｒｏｕｎｄ邋Ｔｒｕｔｈ），從而豐富了黃斑的特征。逡逑）針對ＨＥ在眼底圖像中形態(tài)復雜多變且干擾物較多的問題，本文空洞卷積和多級特征融合策略的深度殘差網(wǎng)絡ＭＤ－ＲｅｓＮｅｔ。利用絡作為主體結構，可更好地通過加深網(wǎng)絡來挖掘ＨＥ更豐富的特征。高細�。龋欧指罹龋冢停模遥澹螅危澹艟W(wǎng)絡的后半部分加入了空洞，并將低層的細節(jié)信息與高層的全局信息相融合，從而達到更好的克服先前基于窗口的方式計算效率低且較淺的網(wǎng)絡特征辨識能力有

絡基礎知識逡逑（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，ＣＮＮ）邋￥是前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之，即在ＣＮＮ中決定某一層輸出結果中一個般來講，ＣＮＮ主要由輸入層、卷積層、激層中的核心部分，它可以被認為是采用特定產(chǎn)生一系列帶有原圖特征的特征圖。如果網(wǎng)就要通過卷積層實現(xiàn)特征提取，獲取有用信個卷積核從神經(jīng)網(wǎng)絡當前層的左上角移動應的單位矩陣。一個以３Ｘ３卷積核為例的

【相似文獻】

相關期刊論文 前10條

1 高宏杰;邱天爽;丑遠婷;周明;張曉博;;基于改進U型網(wǎng)絡的眼底圖像血管分割[J];中國生物醫(yī)學工程學報;2019年01期

2 吉浩;劉靈;李璐;趙丹丹;;眼底圖像處理與分析中的關鍵技術研究[J];中國繼續(xù)醫(yī)學教育;2018年27期

3 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)學工程;2013年01期

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

5 陸輝輝;夏海英;;基于機器學習對眼底圖像視網(wǎng)膜血管分割方法[J];廣西物理;2018年Z1期

6 高瑋瑋;程武山;沈建新;左晶;張愛華;;免散瞳眼底圖像在糖尿病視網(wǎng)膜病變自動篩查中的應用[J];激光生物學報;2015年04期

7 楊艷;邵楓;;基于雙字典學習的眼底圖像血管分割[J];光電子·激光;2019年02期

8 盛韓偉;戴培山;劉智航;張文妙韻;趙亞麗;范敏;;基于拓撲結構的眼底圖像分割評價新方法[J];生物醫(yī)學工程學雜志;2015年05期

9 咼明;陳長征;劉劍萍;聶尚武;;一款適用于糖尿病視網(wǎng)膜病變遠程篩查的軟件[J];眼科;2010年01期

10 姜平;竇全勝;王晶;;基于局部自適應點特異度閾值的眼底圖像血管分割方法研究[J];南京大學學報(自然科學);2015年01期

相關會議論文 前6條

1 王子亮;潘林;余輪;;基于矢量方法的眼底圖像預處理[A];第十四屆全國圖象圖形學學術會議論文集[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];“廣東省光學學會2013年學術交流大會”暨“粵港臺光學界產(chǎn)學研合作交流大會”會議手冊論文集[C];2013年

3 唐甜華;唐建清;聶天宇;王貴學;葉志義;;基于眼底圖像的視網(wǎng)膜血管三維重建[A];第十二屆全國生物力學學術會議暨第十四屆全國生物流變學學術會議會議論文摘要匯編[C];2018年

4 黃君鑫;;紅外眼底鏡的研究[A];中國光學學會2006年學術大會論文摘要集[C];2006年

5 陳驥;彭承琳;劉成冬;;眼底照相機圖像采集處理系統(tǒng)設計[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

6 ;外賓介紹[A];中國眼底病論壇·全國眼底病專題學術研討會論文匯編[C];2008年

相關博士學位論文 前10條

1 熊荔;基于彩色眼底圖的圖像分析與疾病自動診斷算法研究[D];北京理工大學;2017年

2 連劍;多光譜眼底圖像處理算法研究[D];山東師范大學;2019年

3 張欣鵬;彩色眼底圖像微動脈瘤檢測方法研究[D];天津工業(yè)大學;2017年

4 姜平;眼底圖像分割方法研究[D];吉林大學;2018年

5 韓松濤;眼底圖像的血管特征分析[D];吉林大學;2010年

6 金凱;重要眼病基于計算機輔助圖像分析診斷技術研究[D];浙江大學;2018年

7 高瑋瑋;眼底圖像分割算法及應用研究[D];南京航空航天大學;2013年

8 姚暢;眼底圖像分割方法的研究及其應用[D];北京交通大學;2009年

9 王玉亮;眼底圖像處理與分析中的關鍵技術研究[D];南京航空航天大學;2012年

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

相關碩士學位論文 前10條

1 李曉剛;基于遷移學習的糖網(wǎng)病眼底圖像自動分類研究[D];深圳大學;2018年

2 龐田田;糖網(wǎng)病眼底圖像的聚類研究[D];深圳大學;2018年

3 劉夢佳;基于深度學習的DR眼底圖像黃斑水腫分級方法研究[D];天津工業(yè)大學;2019年

4 張詩浩;基于深度學習的眼底圖像出血點分割方法研究[D];天津工業(yè)大學;2019年

5 喬志強;基于深度學習的糖尿病眼底圖像自動分類技術研究[D];北京郵電大學;2019年

6 楊禹惠;眼底圖像的血管分割方法研究[D];沈陽工業(yè)大學;2018年

7 姜聲;基于ResNet的眼底圖像分類及描述[D];山東工商學院;2019年

8 孫晨;基于深度學習的糖尿病視網(wǎng)膜眼底圖像分析[D];華東師范大學;2019年

9 齊福聰;糖尿病視網(wǎng)膜病變篩查及滲出檢測技術的研究[D];上海交通大學;2017年

10 王玉;多光譜眼底圖像群匹配方法研究[D];山東師范大學;2019年

本文編號：2791360