硬性滲出物（Hard Exudate,HE）對糖尿病視網(wǎng)膜病變（Diabetic Retinopathy,DR）的早期診斷具有重要意義,從彩色眼底圖像中準確檢測出HE是診斷和篩查DR的重要步驟。針對以往自動檢測方法中存在的分割效果不佳和對小目標誤檢率高的問題,本文在經(jīng)典U-Net生成網(wǎng)絡(luò)的基礎(chǔ)上,引入注意力殘差鏈式融合機制,構(gòu)造出一種適用于視網(wǎng)膜HE檢測的注意力殘差鏈式融合生成對抗網(wǎng)絡(luò)（Chain fusion of attention residuals GAN,CFAR-GAN）。該網(wǎng)絡(luò)在生成網(wǎng)絡(luò)編碼過程的每個子模塊后添加一個殘差網(wǎng)絡(luò)（Residual Network,ResNet）結(jié)構(gòu),并采用帶有殘差連接的卷積層鏈（Residual convolutional layer path,Res path）建立不同層間的跳躍連接,同時將全局最大池化注意力機制用于刻畫不同深度特征的權(quán)重,以防止訓練過程的過擬合從而提高網(wǎng)絡(luò)的泛化能力。將CFAR-GAN用e-ophtha EX數(shù)據(jù)庫的訓練集進行訓練,在其測試集上,檢測敏感性、PPV和F-score分別為92.5%、88.7%和90.6%;將... 

【文章來源】：光電子·激光. 2020,31(10)北大核心CSCD

【文章頁數(shù)】：10 頁

【文章目錄】：
1 引 言
2 方 法
    2.1 生成對抗網(wǎng)絡(luò)
        2.1.1 理論基礎(chǔ)
        2.1.2 CFAR-GAN網(wǎng)絡(luò)整體結(jié)構(gòu)
        2.1.3 殘差卷積層鏈
        2.1.4 全局最大池化注意力機制
        2.1.5 CFAR-GAN模型目標函數(shù)
    2.2 圖像預處理
        2.2.1 圖像增強
        2.2.2 血管提取
        2.2.3 視盤定位與分割
    2.3 實 驗
        2.3.1 材料及實驗設(shè)備
        2.3.2 實驗操作過程
    2.4 評價標準
        2.4.1 像素級評估
        2.4.2 圖像級評估
3 實驗結(jié)果與討論
    3.1 與其它算法的對比實驗結(jié)果
    3.2 討 論
4 結(jié) 論


【參考文獻】：
期刊論文
[1]2型糖尿病患者血清成纖維細胞生長因子21水平與糖尿病腎臟疾病及糖尿病視網(wǎng)膜病變的相關(guān)性研究[J]. 李林娟,張梅,李轉(zhuǎn)霞,韓秀平,鄭俊晨.  中國糖尿病雜志. 2019(11)
[2]基于3D DenseNet的視頻鏡頭邊界檢測方法[J]. 張翔,趙曉麗,張嘉祺,陳正,張佳穎,王國中.  光電子·激光. 2019(10)
[3]非對稱卷積核YOLO V2網(wǎng)絡(luò)的CT影像肺結(jié)節(jié)檢測[J]. 李新征,金煒,李綱,尹曹謙.  中國生物醫(yī)學工程學報. 2019(04)



本文編號：3162946