視網(wǎng)膜不同生理層的厚度量化分析對(duì)于臨床上視網(wǎng)膜疾病診斷和病變估計(jì)具有重要意義,其各層厚度測(cè)量可通過對(duì)視網(wǎng)膜OCT(Optical coherence tomography,光學(xué)相干斷層成像技術(shù))圖像進(jìn)行分割而得到,因此,發(fā)展視網(wǎng)膜OCT圖像分割技術(shù)對(duì)眼科疾病的早期診斷有著極其重要的意義。由于OCT成像技術(shù)中光的散射易造成獲取的圖像中帶有許多散斑噪聲,以及相鄰生理層的反射系數(shù)差異較小而造成圖像對(duì)比度低等,使得區(qū)分視網(wǎng)膜生理層結(jié)構(gòu)非常困難。過去,識(shí)別視網(wǎng)膜組織特征通常由臨床眼科專家手動(dòng)定位生理層邊界完成,這種靠手動(dòng)分割的方法不僅耗時(shí),而且易受到人為因素的影響,隨著OCT技術(shù)的改進(jìn),發(fā)展計(jì)算機(jī)輔助的視網(wǎng)膜組織層分割的方法越來越重要。人類視覺系統(tǒng)是迄今為止所知道的功能最強(qiáng)大和完善的視覺系統(tǒng),其具有出色的信息處理能力,能夠快速而有效地從大量復(fù)雜的場(chǎng)景中提取出有用的信息。特別地,視覺系統(tǒng)能夠精確地從雜亂的邊緣信息中提取出目標(biāo)的輪廓,這一能力下起著關(guān)鍵作用的是視覺輪廓整合機(jī)制。根據(jù)Gestalt“好的連續(xù)性”準(zhǔn)則對(duì)輪廓整合過程的描述,視覺輪廓整合可分為三個(gè)階段:1)輪廓成分提取階段,即邊緣檢測(cè),2)...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１視網(wǎng)膜層狀結(jié)構(gòu)在ＯＣＴ圖像上顯示??Ｆｉｇ．?１－１?Ｔｈｅ?ｌａｙｅｒｅｄ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｒｅｔｉｎａ?ｗａｓ?ｓｈｏｗｅｄ?ｉｎ?ＯＣＴ?ｉｍａｇｅ??

率的三維視網(wǎng)膜斷層圖像，同時(shí)，視網(wǎng)膜ＯＣＴ圖像的量化分析變得愈加重要。??視網(wǎng)膜ＯＣＴ圖像分割一旦獲得斷層視網(wǎng)膜ＯＣＴ圖像，視網(wǎng)膜層對(duì)應(yīng)的特??定細(xì)胞層將被清晰地顯現(xiàn)出來，視網(wǎng)膜分層結(jié)構(gòu)在ＯＣＴ圖像上顯示如圖１－１所??示。圖１－１包含了?１５層組織，從里到外（對(duì)應(yīng)圖１－１中從上....

圖２－２聯(lián)想域［３８’４Ｇ］??Ｆｉｇ．２－２?Ｔｈｅ?ａｓｓｏｃｉａｔｉｏｎ?ｆｉｅｌｄ??

（ａ）嵌入的輪廓?（ｂ）背景元素??圖２－１心理物理實(shí)驗(yàn)輪廓刺激［４（）］??Ｆｉｇ．２－１?Ｃｏｎｔｏｕｒ?ｓｔｉｍｕｌｕｓ?ｉｎ?ｐｓｙｃｈｏｐｈｙｓｉｃａｌ?ｅｘｐｅｒｉｍｅｎｔｓ??這項(xiàng)研究還發(fā)現(xiàn)視覺輪廓檢測(cè)的能力相對(duì)于輪廓曲率的變化（由構(gòu)成輪廓??的各個(gè)Ｇａｂｏｒ?qū)R的....

圖２－１心理物理實(shí)驗(yàn)輪廓刺激［４（）］??

偏好的選擇性整合產(chǎn)生的。與傳統(tǒng)上把一個(gè)神經(jīng)元的視網(wǎng)膜響應(yīng)曲線描述成感??受野類似，這種細(xì)胞功能的模型可以用概念性的術(shù)語(yǔ)“聯(lián)想域”來概括。聯(lián)想??域的描述如圖２２所示。其中方位調(diào)制單元之間的連接強(qiáng)度取決于它們的聯(lián)合相??圖２－２聯(lián)想域［３８’４Ｇ］??Ｆｉｇ．２－２?Ｔｈｅ?ａｓｓ....

圖３－１邊緣檢測(cè)性能評(píng)估流程［７２］?＾??Ｆｉｇ．?３－１?Ｐｒｏｃｅｄｕｒｅｓ?ｏｆ?ｐｅｒｆｏｒｍａｎｃｅ?ｅｖａｌｕａｔｉｏｎ?ｏｆ?ｅｄｇｅ?ｄｅｔｅｃｔｏｒｓ?ｔ７２］??３．３實(shí)驗(yàn)與評(píng)估結(jié)果??

??３．３．１邊緣檢測(cè)結(jié)果??各個(gè)算法在視網(wǎng)膜ＯＣＴ圖像上的最優(yōu)邊緣檢測(cè)結(jié)果如圖３－２所示，圖３－２（ａ）??為原始的視網(wǎng)膜ＯＣＴ圖像，圖３－２（ｂ－ｄ）依次為Ｃａｎｎｙ邊緣檢測(cè)、Ｔｗｏ－ｐａｓｓ、??ＥｄｇｅＦｌｏｗ檢測(cè)算法的輸出結(jié)果。從圖３－２的檢測(cè)結(jié)果來看，Ｃａｎｎｙ邊緣檢....

本文編號(hào)：3953005