基于編碼器—解碼器結(jié)構(gòu)的眼底圖像中視網(wǎng)膜血管分割的方法研究
發(fā)布時(shí)間：2021-01-04 22:01
眼底圖像是糖尿病性視網(wǎng)膜病和高血壓性視網(wǎng)膜病等不同視網(wǎng)膜疾病的有用診斷工具之一。眼底圖像中視網(wǎng)膜血管的分割結(jié)果能夠輔助醫(yī)生診斷潛在患者的病情,幫助醫(yī)生大大減輕工作量,對(duì)醫(yī)生的臨床分析具有重要意義。由于視網(wǎng)膜血管的獨(dú)特性,如何更高效地實(shí)現(xiàn)視網(wǎng)膜的血管分割仍是一個(gè)研究難點(diǎn)。最近,卷積神經(jīng)網(wǎng)絡(luò)（CNN）被廣泛應(yīng)用,并且在醫(yī)學(xué)圖像分割中表現(xiàn)出很好的性能。本文基于卷積編碼器-解碼器結(jié)構(gòu),構(gòu)建了兩種不同的卷積神經(jīng)網(wǎng)絡(luò),來提高分割結(jié)果,并在可公開訪問用于血管提取的數(shù)字視網(wǎng)膜圖像（DRIVE）的數(shù)據(jù)集上進(jìn)行了評(píng)估分析。本文主要的研究工作如下:首先,本文在卷積編碼器-解碼器結(jié)構(gòu)上添加了兩種跳過連接,其中,長(zhǎng)跳過連接將編碼過程的特征圖連接到相應(yīng)層次的解碼器,使得上采樣過程能夠同時(shí)獲得高層語義信息和淺層細(xì)節(jié)信息;短跳過連接在不增加網(wǎng)絡(luò)計(jì)算復(fù)雜度的基礎(chǔ)上,使網(wǎng)絡(luò)通過學(xué)習(xí)殘差映射來得到更好的收斂效果。實(shí)驗(yàn)結(jié)果表明,添加了跳過連接的模型能得到更好的分割性能。其次,為了充分利用網(wǎng)絡(luò)在編碼過程中學(xué)習(xí)到的特征,在跳過連接的分割模型的基礎(chǔ)上提出了多路徑融合的整合方式,來對(duì)分割結(jié)果進(jìn)行微調(diào)。分別對(duì)不同層次學(xué)習(xí)到的特征圖進(jìn)行...
【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
AlexNet結(jié)構(gòu)
在計(jì)算機(jī)視覺領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)不僅在圖像分類方面表現(xiàn)優(yōu)異，在圖像分割也有著強(qiáng)大的表現(xiàn)。圖像分割從像素級(jí)別上來看，可以理解為像素級(jí)別的分類一個(gè)像素進(jìn)行一次類別劃分，需要對(duì)圖像進(jìn)行逐像素的密集預(yù)測(cè)。最開始使用方法進(jìn)行圖像分割時(shí)，是利用圖像分類網(wǎng)絡(luò)完成的，通過圖像塊（patch）分類圖像進(jìn)行分割，每個(gè)像素利用由鄰近像素點(diǎn)組成的圖像塊的分類結(jié)果來分別作類別。分類網(wǎng)絡(luò)的一般都有完全連接層，這樣就要求每次輸入的圖像塊的大小，但對(duì)像素進(jìn)行分類時(shí)，尺寸過小的圖像塊并不能為特征提取提供足夠的上下圖像塊的尺寸過大會(huì)使得在分類時(shí)計(jì)算量過大，并且?guī)硪恍┤哂�。Long 等人在 2015 年提出了全卷積神經(jīng)網(wǎng)絡(luò)（Fully convolutional network，簡(jiǎn)稱 F第一個(gè)實(shí)現(xiàn)端到端的圖像分割的卷積神經(jīng)網(wǎng)絡(luò)，并且取得了很優(yōu)異的結(jié)果，后圖像語義分割都是基于全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化[26]。如圖 2-8 所示，為分類網(wǎng)絡(luò)的基礎(chǔ)上得到的全卷積神經(jīng)網(wǎng)絡(luò)。
第二章 相關(guān)理論與技術(shù)基礎(chǔ)尺寸大小的輸入圖像，并生成對(duì)應(yīng)大小的分割圖，在語義分割方面推廣了 CNN 架構(gòu)，這比使用圖像塊分類的方法要快得多，并且也減少了計(jì)算量。全卷積神經(jīng)網(wǎng)絡(luò)在池化過程中，特征圖的大小不斷減少，所以需要對(duì)最后一層進(jìn)行上采樣來恢復(fù)像素空間，得到和輸入圖像的一樣大小的輸出。上采樣后生成圖 2-8 中的熱力圖，以此來完成最后的像素分類。上采樣通常是反卷積或者雙線性插值來實(shí)現(xiàn)，在這一過程中也會(huì)引入一些噪聲等其他信息。如圖 2-9 所示，網(wǎng)絡(luò)在不同的特征層進(jìn)行上采樣，得到和輸入圖像大小相同的結(jié)果預(yù)測(cè)，并且添加了跳過連接，將較深層的高級(jí)粗糙語義信息和低級(jí)的精細(xì)的位置細(xì)節(jié)信息通過對(duì)應(yīng)像素的求和來結(jié)合，得到相應(yīng)輸出。通過跳過連接可以將在池化過程中丟失的信息得到一定的恢復(fù)，使得預(yù)測(cè)結(jié)果更精確，最后結(jié)果證明這樣的結(jié)構(gòu)在 VOC2012 數(shù)據(jù)集上顯著改善了圖像分割的性能。
本文編號(hào)：2957446
【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：77 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
AlexNet結(jié)構(gòu)
在計(jì)算機(jī)視覺領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)不僅在圖像分類方面表現(xiàn)優(yōu)異，在圖像分割也有著強(qiáng)大的表現(xiàn)。圖像分割從像素級(jí)別上來看，可以理解為像素級(jí)別的分類一個(gè)像素進(jìn)行一次類別劃分，需要對(duì)圖像進(jìn)行逐像素的密集預(yù)測(cè)。最開始使用方法進(jìn)行圖像分割時(shí)，是利用圖像分類網(wǎng)絡(luò)完成的，通過圖像塊（patch）分類圖像進(jìn)行分割，每個(gè)像素利用由鄰近像素點(diǎn)組成的圖像塊的分類結(jié)果來分別作類別。分類網(wǎng)絡(luò)的一般都有完全連接層，這樣就要求每次輸入的圖像塊的大小，但對(duì)像素進(jìn)行分類時(shí)，尺寸過小的圖像塊并不能為特征提取提供足夠的上下圖像塊的尺寸過大會(huì)使得在分類時(shí)計(jì)算量過大，并且?guī)硪恍┤哂�。Long 等人在 2015 年提出了全卷積神經(jīng)網(wǎng)絡(luò)（Fully convolutional network，簡(jiǎn)稱 F第一個(gè)實(shí)現(xiàn)端到端的圖像分割的卷積神經(jīng)網(wǎng)絡(luò)，并且取得了很優(yōu)異的結(jié)果，后圖像語義分割都是基于全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化[26]。如圖 2-8 所示，為分類網(wǎng)絡(luò)的基礎(chǔ)上得到的全卷積神經(jīng)網(wǎng)絡(luò)。
第二章 相關(guān)理論與技術(shù)基礎(chǔ)尺寸大小的輸入圖像，并生成對(duì)應(yīng)大小的分割圖，在語義分割方面推廣了 CNN 架構(gòu)，這比使用圖像塊分類的方法要快得多，并且也減少了計(jì)算量。全卷積神經(jīng)網(wǎng)絡(luò)在池化過程中，特征圖的大小不斷減少，所以需要對(duì)最后一層進(jìn)行上采樣來恢復(fù)像素空間，得到和輸入圖像的一樣大小的輸出。上采樣后生成圖 2-8 中的熱力圖，以此來完成最后的像素分類。上采樣通常是反卷積或者雙線性插值來實(shí)現(xiàn)，在這一過程中也會(huì)引入一些噪聲等其他信息。如圖 2-9 所示，網(wǎng)絡(luò)在不同的特征層進(jìn)行上采樣，得到和輸入圖像大小相同的結(jié)果預(yù)測(cè)，并且添加了跳過連接，將較深層的高級(jí)粗糙語義信息和低級(jí)的精細(xì)的位置細(xì)節(jié)信息通過對(duì)應(yīng)像素的求和來結(jié)合，得到相應(yīng)輸出。通過跳過連接可以將在池化過程中丟失的信息得到一定的恢復(fù)，使得預(yù)測(cè)結(jié)果更精確，最后結(jié)果證明這樣的結(jié)構(gòu)在 VOC2012 數(shù)據(jù)集上顯著改善了圖像分割的性能。
本文編號(hào)：2957446
本文鏈接：http://sikaile.net/yixuelunwen/wuguanyixuelunwen/2957446.html
最近更新
教材專著
