眼底視網(wǎng)膜相關病變會損害患者的視力,嚴重時會導致失明。早期診斷與篩查可延緩眼底疾病的進一步發(fā)展,防止失明的發(fā)生。目前,基于特定類型病灶篩查的計算機輔助技術可從視網(wǎng)膜圖像中檢測指定類型的病灶,但對其他類型的病灶“視而不見”。本文擬研究視網(wǎng)膜圖像中各類異常區(qū)域的檢測問題,該問題是計算機輔助的視網(wǎng)膜影像讀片中的關鍵環(huán)節(jié)。通常,視網(wǎng)膜圖像中的病灶數(shù)量和類型未知,并且不同類型的病灶呈現(xiàn)出不同的視覺特征。這些因素使得檢測視網(wǎng)膜圖像中各種類型的異常區(qū)域十分困難。目前尚無有效的自動檢測各種異常區(qū)域的方法。借鑒醫(yī)生的視覺診斷模式,本文提出了有效的檢測各種異常區(qū)域的方法。在該類方法中,首先收集大量正常視網(wǎng)膜圖像作為先驗知識,然后在先驗知識指導下從測試圖像中學習它的背景圖像,從而從測試圖像中分離出各類異常區(qū)域。本文的主要貢獻和創(chuàng)新點如下:（1）提出從視網(wǎng)膜圖像中檢測各種異常區(qū)域的可行的計算方法。通過有效抑制不同視網(wǎng)膜圖像的成像偏差和不同人視網(wǎng)膜血管個性化差異帶來的干擾,將視網(wǎng)膜圖像中各種異常區(qū)域的檢測問題轉化為視網(wǎng)膜圖像的背景圖像學習問題�；谝暰W(wǎng)膜圖像中病灶和背景圖像各自不同的的特性,提出兩類有效的檢測異... 

【文章來源】：上海交通大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：162 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
主要符號對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 視網(wǎng)膜圖像中的異常區(qū)域檢測面臨的問題及解決思路
    1.4 提出的方法與相關方法的區(qū)別
        1.4.1 與特定類型病灶篩查方法的區(qū)別
        1.4.2 與視頻背景建模方法的區(qū)別
    1.5 本文主要工作與組織結構
        1.5.1 本文的主要工作與創(chuàng)新點
        1.5.2 本文的組織結構
第二章 基于背景重構的異常區(qū)域檢測的思想與計算框架
    2.1 引言
    2.2 臨床醫(yī)生的一些視覺診斷機制
    2.3 檢測異常區(qū)域的思路
    2.4 構建合適的訓練集
        2.4.1 空域對齊
        2.4.2 顏色歸一化
        2.4.3 血管去除
    2.5 正常集合的低秩特性
    2.6 檢測異常區(qū)域的計算框架
    2.7 實驗數(shù)據(jù)集
    2.8 評價指標
    2.9 檢測結果對臨床的意義
    2.10 本章小結
第三章 基于正交基底編碼的背景重構
    3.1 引言
    3.2 基于正交基重構的背景學習與候選病灶的檢測
        3.2.1 基于正交基重構的背景學習
        3.2.2 基于正交基重構的候選病灶的檢測
    3.3 基于局部視覺感知模型的病灶的檢測
    3.4 實驗結果
    3.5 討論
        3.5.1 不同主分量對病灶檢測結果的影響
        3.5.2 正交基底的表達能力
        3.5.3 可視邊界識別規(guī)則的有效性分析
        3.5.4 血管對病灶檢測結果的影響
        3.5.5 基于不同數(shù)據(jù)集的算法評估
        3.5.6 基于正交基底背景重構方法的優(yōu)劣勢分析
    3.6 本章小結
第四章 基于病灶稀疏特性的分層稀疏的背景重構
    4.1 引言
    4.2 基于稀疏編碼的背景重構
    4.3 基于分層稀疏的背景重構
        4.3.1 粗背景子空間中的背景重構
        4.3.2 精細背景子空間中的背景重構
    4.4 實驗結果
        4.4.1 臨床醫(yī)生對檢測結果的評價
        4.4.2 基于分層稀疏學習背景的檢測結果
        4.4.3 與相關方法的對比
    4.5 討論
        4.5.1 分層稀疏學習的有效性分析
        4.5.2 分層稀疏學習方法與稀疏重構方法的對比
        4.5.3 不同閾值對分層稀疏背景學習方法的影響
        4.5.4 不同稀疏正則化參數(shù)對分層稀疏背景學習方法的影響
        4.5.5 方法討論
    4.6 本章小結
第五章 基于病灶統(tǒng)計特性的背景重構
    5.1 引言
    5.2 字典學習與混合高斯編碼模型
        5.2.1 問題描述
        5.2.2 模型的構建
        5.2.3 模型參數(shù)的求解
    5.3 實驗結果
        5.3.1 提出的方法檢測不同病灶的結果
        5.3.2 與相關方法的對比
    5.4 討論
        5.4.1 不同原子個數(shù)對提出的方法的影響
        5.4.2 不同正則化參數(shù)對提出的方法的影響
        5.4.3 不同高斯模型數(shù)對提出的方法的影響
        5.4.4 不同字典學習方法對提出的方法的影響
        5.4.5 提出的方法學習背景的有效性分析
        5.4.6 方法討論
    5.5 本章小結
第六章 基于背景低秩特性的雙層低秩分解的背景學習
    6.1 引言
    6.2 基于雙層低秩分解的背景學習方法
    6.3 實驗結果
        6.3.1 提出的方法檢測不同病灶的結果
        6.3.2 與相關方法的對比
    6.4 討論
        6.4.1 不同稀疏正則化參數(shù)對低秩分解方法的影響
        6.4.2 不同訓練子集對低秩分解方法的影響
        6.4.3 低秩分解和雙層低秩分解方法的對比
        6.4.4 雙層低秩分解方法在不同數(shù)據(jù)集上的評估
        6.4.5 方法討論
    6.5 本章小結
第七章 總結與展望
    7.1 本文總結
    7.2 研究展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文


【參考文獻】：
期刊論文
[1]基于k均值聚類和自適應模板匹配的眼底出血點檢測方法[J]. 肖志濤,趙北方,張芳,耿磊,吳駿,王雯,張欣鵬,蘇龍,陳莉明,單春燕.  中國生物醫(yī)學工程學報. 2015(03)
[2]一種基于視覺模型的邊緣檢測閾值選擇策略[J]. 侯志強,韓崇昭,鄭林,肖李珍.  光電工程. 2004(02)

博士論文
[1]基于彩色視網(wǎng)膜圖像的眼底病相關目標檢測方法研究[D]. 戴百生.哈爾濱工業(yè)大學 2016

碩士論文
[1]糖尿病視網(wǎng)膜病變圖像的滲出物自動檢測算法研究[D]. 陳向.哈爾濱工業(yè)大學 2012



本文編號：3187851