【摘要】：糖尿病性黃斑水腫(Diabetic Macular Edema,DME)是導(dǎo)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(fēng)險。根據(jù)DME國際臨床分級標(biāo)準(zhǔn),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(wù)。對于這兩個任務(wù),研究者們已經(jīng)進行了深入研究,但如何提高定位準(zhǔn)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(zhǔn)確度,檢測效率較低,處理過程耗時較長。而深度學(xué)習(xí)技術(shù)彌補了傳統(tǒng)檢測方法的不足,且在醫(yī)學(xué)圖像領(lǐng)域已取得突破進展。因此本文提出基于深度學(xué)習(xí)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(luò)和血管標(biāo)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(nèi)的毛細(xì)血管加入到標(biāo)注范圍中,從而豐富了黃斑的特征;其次,根據(jù)標(biāo)注的黃斑大小,在Faster R-CNN網(wǎng)絡(luò)中設(shè)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(biāo)參照框。通過實驗證明,使用加入毛細(xì)血管的黃斑樣本及設(shè)計的2種Anchor訓(xùn)練改進型Faster R-CNN,能夠獲得更加準(zhǔn)確的黃斑中心定位結(jié)果。針對HE分割,本文提出了基于MD-ResNet網(wǎng)絡(luò)的HE分割方法,該網(wǎng)絡(luò)結(jié)合了空洞卷積與多級特征融合策略。首先使用殘差網(wǎng)絡(luò)作為主體結(jié)構(gòu),將高層網(wǎng)絡(luò)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(luò)中不同尺度的細(xì)節(jié)特征與高層網(wǎng)絡(luò)得到的全局特征連接到一起,從而獲得更加精細(xì)化的分割結(jié)果。在黃斑中心定位和HE分割的基礎(chǔ)上,本文依據(jù)國際臨床DME分級標(biāo)準(zhǔn)對眼底圖像進行DME分級。通過建立眼底極坐標(biāo)系并判斷HE出現(xiàn)在眼底極坐標(biāo)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(chǔ)上設(shè)計了DME病變智能分析系統(tǒng),從而達(dá)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(jié)果表明測試結(jié)果具有較高的定位準(zhǔn)確率和分割精度,最終實現(xiàn)了良好的DME分級。
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R587.2;R774.5;TP391.41;TP183
【圖文】：

導(dǎo)致繼發(fā)性失明最常見的原因之一，因此被認(rèn)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(jié)構(gòu)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(xì)血管的局部擴大。逡逑破裂的微動脈瘤可引起出血，血漿內(nèi)的脂類物質(zhì)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(yán)重導(dǎo)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(dǎo)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(guān)重要。逡逑圖１－１眼底中的病變結(jié)構(gòu)逡逑在最新公布的國際ＤＭＥ臨床分級標(biāo)準(zhǔn)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(shù)或光學(xué)相干斷層掃描（Ｏｐｔｉｃａｌ邋Ｃｏｈｅｒｅｎｃｅ逡逑Ｔｏｍｏｇｒａｐｈｙ，邋ＯＣＴ）技術(shù)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(biāo)檢Ｒ－ＣＮＮ在醫(yī)學(xué)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(luò)。由于Ｆａｓｔｅｒ邋Ｒ－ＣＮＮ網(wǎng)絡(luò)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(biāo)注的黃斑大小進行統(tǒng)計并重新設(shè)于黃斑尺寸的Ａｎｃｈｏｒ，以提升網(wǎng)絡(luò)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(nèi)的毛細(xì)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(fù)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(luò)ＭＤ－ＲｅｓＮｅｔ。利用絡(luò)作為主體結(jié)構(gòu)，可更好地通過加深網(wǎng)絡(luò)來挖掘ＨＥ更豐富的特征。高細(xì)�。龋欧指罹龋冢停模遥澹螅危澹艟W(wǎng)絡(luò)的后半部分加入了空洞，并將低層的細(xì)節(jié)信息與高層的全局信息相融合，從而達(dá)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(luò)特征辨識能力有

絡(luò)基礎(chǔ)知識逡逑（Ｃｏｎｖｏｌｕｔｉｏｎａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，ＣＮＮ）邋￥是前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之，即在ＣＮＮ中決定某一層輸出結(jié)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(rèn)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(luò)當(dāng)前層的左上角移動應(yīng)的單位矩陣。一個以３Ｘ３卷積核為例的

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 高宏杰;邱天爽;丑遠(yuǎn)婷;周明;張曉博;;基于改進U型網(wǎng)絡(luò)的眼底圖像血管分割[J];中國生物醫(yī)學(xué)工程學(xué)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(guān)鍵技術(shù)研究[J];中國繼續(xù)醫(yī)學(xué)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(xué)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(xué)影像技術(shù);2003年11期

5 陸輝輝;夏海英;;基于機器學(xué)習(xí)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(yīng)用[J];激光生物學(xué)報;2015年04期

7 楊艷;邵楓;;基于雙字典學(xué)習(xí)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?fù)浣Y(jié)構(gòu)的眼底圖像分割評價新方法[J];生物醫(yī)學(xué)工程學(xué)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(yuǎn)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(yīng)點特異度閾值的眼底圖像血管分割方法研究[J];南京大學(xué)學(xué)報(自然科學(xué));2015年01期

相關(guān)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(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 唐甜華;唐建清;聶天宇;王貴學(xué);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(xué)學(xué)術(shù)會議暨第十四屆全國生物流變學(xué)學(xué)術(shù)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(xué)學(xué)會2006年學(xué)術(shù)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(shè)計[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)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(xué)術(shù)研討會論文匯編[C];2008年

相關(guān)博士學(xué)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(xué);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(xué);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(xué);2017年

4 姜平;眼底圖像分割方法研究[D];吉林大學(xué);2018年

5 韓松濤;眼底圖像的血管特征分析[D];吉林大學(xué);2010年

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

7 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

8 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

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

10 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

相關(guān)碩士學(xué)位論文 前10條

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

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

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

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

5 喬志強;基于深度學(xué)習(xí)的糖尿病眼底圖像自動分類技術(shù)研究[D];北京郵電大學(xué);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(xué);2018年

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

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

9 齊福聰;糖尿病視網(wǎng)膜病變篩查及滲出檢測技術(shù)的研究[D];上海交通大學(xué);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(xué);2019年

本文編號：2791360